免责声明 这个项目很稳定，可以长期支持。 它可能包含新的实验代码，其API可能会更改。 因果ML：用于ML进行抬升建模和因果推理的Python包 Causal ML是一个Python软件包，它提供了一套基于最近研究的，使用机器学习算法的提升模型和因果推理方法。 它提供了一个标准界面，允许用户从实验或观察数据中估计条件平均治疗效果（CATE）或个体治疗效果（ITE）。 本质上，它为具有观察特征X用户估计了干预T对结果Y的因果影响，而无需对模型形式做出强烈假设。 典型的用例包括 广告系列定位优化：提高广告系列投资回报率的重要手段是将广告定位到在给定的KPI（例如参与度或销售）方面有良好响应的一组客

深度SARSA和深度Q学习-LunarLander-v2 环境 在这个项目中，我试图从OpenAI体育馆解决Lunar Lander环境。这是一个二维环境，其目的是教导登月舱模块安全地着陆在固定在点（0,0）的着陆垫上。该代理具有3个推进器：一个在模块的底部，另一个在模块的每一侧。因此，代理人在每个时间步长都有4种可能的动作可供选择：发射每个推进器或什么也不做。给予坐席的奖励取决于许多因素：发射底部推进器会产生-0.3的奖励，而发射侧面推进器会产生-0.03的奖励。如果探员安全地降落在着陆垫上，将获得+100分的奖励，此外，与地面接触的模块的每条腿都将获得+10分的奖励。当代理程序着陆或崩溃时，已达到终端状态。为了检测终端状态，可以提取一个状态向量，该状态向量指示代理的位置，其当前速度和环境着陆标志，以指示腿是否与地面接触。还可以提取代表环境中代理图片的RGB阵列。最后，要解决此问题并确定

Stanford_CS224W_Machine Learning with Graphs.zip

pure-predict：纯Python中的机器学习预测

股市舆情情感分类可视化系统 最后更新2018年7月16日 此Web基于Django + Bootstrap + Echarts等框架，个股交易行情数据调用了Tushare接口。关于舆情文本数据采取先爬取东方财富网股吧论坛标题标题设置机器学习训练集，在此基础上运用scikit-learn机器通过Django Web框架，将所得数据传递到前端通过Bootstrap渲染过的html，对数据使用Echarts进行图表可视化处理。 不足之处或交流学习欢迎通过邮箱联系我 目前的功能： 个股历史交易行情 个股相关词云展示 情感字典舆情预测 朴素贝叶斯舆情预测 去做 Web UI优化 横向拓展多股吧 横向拓展多分类器 完善训练集 约会金融模型 系统结构 快速开始 在项目当前目录下： $ python manage.py runserver浏览器打开127.0.0.1:8000 PC端实例： 移动端： 运行效果 情感字典舆情预测： 机器学习舆情预测：

科学引文知识提取器（SCKE） 关于SCKE SCKE是一个开放源代码工具，可通过分析引用他们的论文内容，帮助生物医学研究人员了解他人如何使用他们的工作。 该工具使用自然语言处理和机器学习来提取引用文档中讨论的突出主题和概念。 通过查看引用文章讨论的主题类型，研究人员可以更好地了解他们的工作如何影响同龄人和科学的各个学科。 此外，SCKE允许生物医学研究人员探索有关引用它们的出版物的其他统计数据，例如引文的发表位置（期刊），关键字的分布（关键字），论文彼此的相似性（聚类），论文的相似性其他著名作品（TextCompare）以及有关引文的一般统计信息（Statistics）。 使用Biopy

Feature Engineering for Machine Learning and Data Analytics 英文无水印原版pdf pdf所有页面使用FoxitReader、PDF-XChangeViewer、SumatraPDF和Firefox测试都可以打开 本资源转载自网络，如有侵权，请联系上传者或csdn删除 查看此书详细信息请在美国亚马逊官网搜索此书

DocSum 使用BART或PreSumm机器学习模型自动汇总文档（或纯文本）的工具。 BART （ ）是截至02/02/2020的最新文本摘要。 它是“以降噪为预训练目标进行训练的序列到序列模型”（）。 PreSumm （文本汇总）通过使用“基于BERT的新颖文档级编码器，能够表达文档的语义并获得其句子的表示形式”，将BERT（来自变形器的双向编码器表示形式）应用于文本汇总。 BERT在撰写本文时表示“预训练语言模型的最新化身，该模型最近已推进了广泛的自然语言处理任务”（）。 任务 将PDF转换为XML，然后使用使用每个text元素的font属性解释该XML文件。 使用 python库

MultiWOZ 多域绿野仙踪数据集（MultiWOZ），是跨多个领域和主题的全人类书面对话的完整标签集合。 对话的大小为1万个，比以前所有带注释的面向任务的语料库大至少一个数量级。 感谢在上提供了最新的，经过纠正的数据集版本。 可在上获得新的，更正后的数据集版本。 可在以下访问EMNLP出版物中使用的数据集： 可在以下位置访问ACL发布中使用的数据集： 数据结构 如果该域允许，则包含3406个单域对话（包括预订），以及包含至少2个（最多5个域）的7,032个多域对话。 为了增强结果的可重复性，将语料库随机分为训练，测试和开发集。 测试和开发集各包含1k个示例。 即使所有对话都是连贯的，但其中一些对话并未按照任务描述来完成。 因此，验证和测试集仅包含完全成功的对话，因此可以对模型进行公平的比较。 在验证和测试集中没有来自医院和警察领域的对话。 每个对话都包含一个目标，多个用

本文探讨了三种用于天气预报的机器学习模型，即支持向量机 (SVM)、人工神经网络 (ANN) 和基于时间序列的循环神经网络 (RNN)。 它还讨论了为取得成果而采取的步骤。 RNN 使用时间序列以及线性 SVC 和五层神经网络来预测天气。 根据预测值和实际值之间的均方根误差对这些模型的结果进行分析和比较。 对于天气预报，本文使用 Pandas、NumPy、Keras、Git、Matplotlib、TensorFlow、Anaconda 和 Google Cloud Services。 发现基于时间序列的 RNN 在预测天气方面做得最好