套材下料代码matlab Python 编程作业 该 repo 包含我自己的所有个人作品/提交的 Python 版本课程，来自 github 用户：和 . 他们用 Python 提供作业，我自己完成。 该存储库包含由 Andrew Ng 教授教授的编程作业的 Python 版本。 这可能是最受欢迎的在线机器学习入门课程。 除了受欢迎之外，它还是任何感兴趣的学生可以开始学习机器学习的最佳机器学习课程之一。 这门课一个不幸的方面是编程作业是在 MATLAB 或 OCTAVE 中进行的，可能是因为这门课是在 python 成为机器学习的首选语言之前完成的。 Python 机器学习生态系统在过去几年呈指数级增长，并且仍在获得动力。 我怀疑许多想要开始机器学习之旅的学生也想从 Python 开始。 正是出于这些原因，我决定用 Python 重写所有的编程作业，这样学生们就可以从他们的学习之旅开始就熟悉它的生态系统。 这些作业与班级无缝协作，不需要任何在 MATLAB 作业中发布的材料。 以下是这些作业集的一些新的有用功能： 分配使用 ，它提供了比原始 MATLAB/OCTAVE 分配更容易的直观

ML-ATIC 在 API的帮助下，基于机器学习方法的异常流量识别分类器。 这是我的本科毕业设计代码。 而且代码中会有很多错误。 无论如何，在训练模型和评估中可能有一些不合适的方法。 欢迎您发现它。 有任何疑问，请给我发电子邮件！ 要求 Java SE 7 Maylib中的Jars 来自KDDCUP99的数据，我使用受计算资源限制的10％版本。 安装 将TrainAndTest.zip和Model.zip解压缩到数据文件中。 通过添加原始数据的头对Train.arff和Test.arff进行了预处理。 如果有兴趣，您可以打开它，然后进行探索。 Java文件中有一些字符编码问题，它们是UTF-8和GB18030。 并可能在注释中导致一些错误。 文件模型包含一些训练有素的模型，可以直接使用。 您还可以通过运行BuildTree.java，TestBP.java和TestLibs

siamese-fc：使用完全卷积暹罗网络以50-100 FPS进行任意对象跟踪

ist的matlab代码Python机器学习算法 用Python实现的流行和不流行的机器学习和数据处理算法参考：Sergios Theodoridis的“机器学习：贝叶斯优化观点” 除非脚本中另有说明，否则大多数算法都是由我自己根据参考文献中的理论从头开始实现的。 对于每种算法，将有一个笔记本测试文档和一个干净的python脚本。 该存储库中实现的算法包括： 1. Adaboost 2. Adaptive Projected Subgradient Method (APSM) 3. Convolutional Neural Network (CNN) 4. Compressed Sensing Matching Pursuit (CSMP) 5. Decision tree 6. Fuzzy C Means 7. Hierarchical and DBSCAN Clustering 8. Iterative Shrinkage/Thresholding (IST) algorithms 9. Kernal PCA 10. K-means family 11. KNN 12. Linea

上市公司新闻文本分析与分类预测 简介 上市公司新闻文本分析与分类预测的基本步骤如下： 从新浪财经、每经网、金融界、中国证券网、证券时报网上，爬取上市公司（个股）的历史新闻文本数据（包括时间、网址、标题、正文） 从Tushare上获取沪深股票日线数据（开、高、低、收、成交量和持仓量）和基本信息（包括股票代码、股票名称、所属行业、所属地区、PE值、总资产、流动资产、固定资产、留存资产等） 对抓取的新闻文本按照，去停用词、加载新词、分词的顺序进行处理 利用前两步中所获取的股票名称和分词后的结果，抽取出每条新闻里所包含的（0支、1支或多支）股票名称，并将所对应的所有股票代码，组合成与该条新闻相关的股票代码列表，并在历史数据表中增加一列相关股票代码数据 从历史新闻数据库中抽取与某支股票相关的所有新闻文本，利用该支股票的日线数据（比如某一天发布的消息，在设定N天后如果价格上涨则认为是利好消息，反之则是

合流 适用于Python的时间序列实用程序库。 特征： 时间间隔均匀/不均匀的类 不等距时间序列的（） 将等距时间序列转换为数据集（） 时间序列的预测包装，例如keras（） 安装 要求： Python3.5+ 安装： git clone https://github.com/kweimann/conflux.git cd conflux pip install . 例子 插补 有关完整的示例，请参见examples/interpolation.py 。 # number of observations n = 25 # time interval i.e. first and last timestamp t0 , tn = [ 0 , 200 ] # function producing observation value from observation ti

Explore and master the most important algorithms for solving complex machine learning problems. Key Features Discover high-performing machine learning algorithms and understand how they work in depth. One-stop solution to mastering supervised, unsupervised, and semi-supervised machine learning algorithms and their implementation. Master concepts related to algorithm tuning, parameter optimization, and more Book Description Machine learning is a subset of AI that aims to make modern-day computer systems smarter and more intelligent. The real power of machine learning resides in its algorithms, which make even the most difficult things capable of being handled by machines. However, with the advancement in the technology and requirements of data, machines will have to be smarter than they are today to meet the overwhelming data needs; mastering these algorithms and using them optimally is the need of the hour. Mastering Machine Learning Algorithms is your complete guide to quickly getting to grips with popular machine learning algorithms. You will be introduced to the most widely used algorithms in supervised, unsupervised, and semi-supervised machine learning, and will learn how to use them in the best possible manner. Ranging from Bayesian models to the MCMC algorithm to Hidden Markov models, this book will teach you how to extract features from your dataset and perform dimensionality reduction by making use of Python-based libraries such as scikit-learn. You will also learn how to use Keras and TensorFlow to train effective neural networks. If you are looking for a single resource to study, implement, and solve end-to-end machine learning problems and use-cases, this is the book you need. What you will learn Explore how a ML model can be trained, optimized, and evaluated Understand how to create and learn static and dynamic probabilistic models Successfully cluster high-dimensional data and evaluate model accuracy Discover how artificial neural networks work

AutoML —一个为所有人制作ML的GUI应用程序 AutoML是一个使用Python，HTML，CSS和JS开发的桌面应用程序，可让用户进行交互和自动执行机器学习管道任务，例如 数据预处理 超参数调整 绩效评估 下载存储库以在本地运行 $ git clone https://github.com/santhalakshminarayana/AutoML.git 设置虚拟环境和安装要求 $ virtualenv AutoML $ source AutoML/bin/activate $ cd AutoML $ pip install -r requirements.txt 运行应用 $ python app.py 在上阅读有关此内容的更多信息

银行营销活动分析 使用Logistic回归，随机森林，决策树，Gradient Boosting和AdaBoost等各种ML技术分析了葡萄牙银行的先前营销活动，并预测了用户是否会购买该银行的定期存款 推荐的营销团队，使用功能重要性图和业务直觉来更好地定位客户的方法 运行代码的说明： 确保数据文件（“ bank-additional-full.csv”）与ipython笔记本位于同一目录中，或相应地编辑ipython笔记本。 确保在python 3环境中运行笔记本。 确保笔记本中使用的所有依赖项都已安装在本地计算机中。 按照笔记本中的顺序依次运行代码。 对Notebook进行充分注释以给出所执行代码的合理推断。 速效 功能重要性 给营销团队的建议

Jx-EEGT：脑电图（EEG）特征提取工具箱 《迈向人才科学家：共享与学习》--- 介绍 此工具箱提供 30 种类型的 EEG 功能 A_Main文件显示了如何使用生成的样本信号应用特征提取方法。 输入 X : 信号 (1 x样本) opts : 参数设置（有些方法有参数：参考） 输出 feat ：特征向量（您可以使用其他名称，如f2等） 用法 采用主函数jfeeg进行特征提取。 您可以通过将'me'更改为来切换方法 如果你想提取平均能量（ ME ），那么你可以写 feat = jfeeg('me', X); 如果你想提取 hjorth 活动（ HA ），那么你可以写 feat = jfeeg('ha', X); 示例 1：提取 3 个正常特征（不带参数） % Generate a sample random signal X fs = 500; %