房屋价格预测：使用机器学习进行房屋价格预测

国家农场分散驾驶员多类分类 目标：将图像分类为这10个类别 c0：安全驾驶c1：发短信-右c2：在电话上交谈-右c3：发短信-左c4：在电话上交谈-左c5：操作收音机c6：喝酒c7：伸手c8：头发和化妆c9：正在讲话到乘客的编程语言：使用TensorFlow 2.0和Keras的Python 模型架构：使用CNN进行深度学习 关于数据集数据集是驾驶员座椅上不同人员在做不同事情的图像。 数据集已按文件夹分为“训练”和“测试”。 训练数据-将“类别”作为子文件夹，并且每个子文件夹仅具有相应类别的图像。 测试数据-具有所有类别的图像。

信用卡模糊检测kaggle--数据集 背景信息信用卡公司必须能够识别欺诈性的信用卡交易，以免向客户收取未购买商品的费用，这一点很重要。 内容数据集包含欧洲持卡人在2013年9月使用信用卡进行的交易。 该数据集显示了两天内发生的交易，在284,807笔交易中，我们有492起欺诈。 数据集高度不平衡，阳性类别（欺诈）占所有交易的0.172％。 它仅包含数字输入变量，它们是PCA转换的结果。 遗憾的是，由于机密性问题，我们无法提供有关数据的原始功能和更多背景信息。 功能部件V1，V2，...，V28是PCA获得的主要组件，尚未通过PCA转换的唯一功能部件是“时间”和“量”。 功能“时间”包含数据集中每个事务和第一个事务之间经过的秒数。 功能“金额”是交易金额，此功能可用于与示例相关的成本敏感型学习。 特征“类别”是响应变量，在发生欺诈时其值为1，否则为0。 启示识别欺诈性的信用卡交易。

5种用于预测销售的机器学习技术 客观的： 使用回归和时间序列建模技术预测每月产品的销售数量 特色技术： EDA 线性回归 森林随机回归 XGBoost 长短期记忆（人工循环神经网络） ARIMA时间序列预测 结果： 从XGBoost和LSTM模型获得了最佳结果 所有模型的预测均在12个月预测的月平均销售额的2％以内 数据源：

heart_disease_prediction 欢迎来到我的第三个存储库。 这次，我将分享迄今为止最详细的笔记本（用Python 3.6编写），在其中我将对有趣的数据集进行端到端分析。 里面有一些漂亮的情节和描述。 我希望您会喜欢本演练。

BankChurners 机器学习分类模型可预测银行的客户流失。 嗨，访客们！ 我是数据科学的新手，但我正在通过使用在线可用数据集将所有学习实践付诸实践。 我已经使用Python生成了机器学习分类模型！ 我仍在学习，随着我学到更多，我将继续添加我的分析！

OptimalControl_2019S 优化与最优控制理论的作业

comp135-intro-to-ml

歌曲推荐系统 此项目中使用的歌曲数据集可从

NeRF：神经辐射场 ||| Tensorflow实现，优化单个场景的神经表示并渲染新视图。 * 1 ， * 1 ， * 1 ， 2 ， 3 ， 1 1加州大学伯克利分校， 2 Google研究中心， 3加州大学圣地亚哥分校*表示相等的贡献ECCV 2020（口头演示，最佳论文荣誉奖） TL; DR快速入门 要设置conda环境，请下载示例训练数据，开始训练过程，然后启动Tensorboard： conda env create -f environment.yml conda activate nerf bash download_example_data.sh python run_nerf.py --config config_fern.txt tensorboard --logdir=logs/summaries --port=6006 如果一切正常，您现在可以在