turbofan_failure：飞机发动机故障预测模型

把文件scikit_learn-0.24.2-cp36-cp36m-win_amd64.whl下载到本地后的安装方法见博文https://blog.csdn.net/wenhao_ir/article/details/125260565

Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3rd Edition (2022最新版)

AdaboostOnMNIST 这是使用两个不同的弱学习者从头开始实现Adaboost算法的方法：决策树分类器和梯度提升分类器。 Adaboost在MNIST上运行以告知奇数和偶数。 经过scikit Learn模型的adaboost测试，并获得了更高的分数。 最小的训练误差为％1.8，在7次迭代中进行了梯度增强。 函数调用为adaboost（X_train，Y_train，inversions_t，Classifier_type），有两种类型的分类器，“ Gradient_Boost”和“ Decision_tree”可以放入第4个输入中。 adaboost返回一个4元组（stump，stump_weights，errors，D_weights） 您可以使用predict（stumps，stump_weights，X_test）对训练集进行预测。 这将返回该X_test的标签数组

入侵检测SVM 入侵检测算法-SVM和增强型SVM 作者 釜山国立大学金东敏 描述 这是一个通过使用svm和增强型svm检测网络入侵的python项目。 参考文献 [1]姚J.，赵S.，和范L.（2006年7月）。 用于入侵检测的增强型支持向量机模型。 在粗糙集和知识技术国际会议上（第538-543页）。 施普林格，柏林，海德堡。

timeseries-lstm-keras：基于Jason Brownlee教程，在Keras中使用LSTM递归神经网络在Python中进行时间序列预测

学习PYTHON数据分析资料。数据科学速查表之Scikit-Learn

在智能手机上使用递归神经网络（RNN），LSTM和Tensorflow进行人类活动识别 这是我硕士课程的项目，其中涉及使用无线传感器数据挖掘实验室（WISDM）的数据集为端到端系统构建机器学习模型，以使用智能手机加速度计，Tensorflow框架，递归神经网络预测人类的基本活动网络和多个长期短期存储单元（LSTM）堆栈，用于构建具有隐藏单元的深度网络。 训练模型后，将其保存并导出到android应用程序，并使用模型作为概念验证和UI界面进行预测，以使用文本语音API讲出结果。 处理： 清理并合并数据 根据模型要求，通过将每个序列活动的固定长度序列（200个）作为训练数据来进行数据预处理，以最大程度地提高模型的效率。 将数据分为训练（80％）和测试（20％）集。 通过堆叠带有2个完全连接的RNN的多层LSTM内存单元（这将解决消失的梯度问题）来构建一个深层网络。 使用Tensorflow框架构建整个模型，并创建占位符以供模型在端到端系统中访问。 创建最小化损失的损失函数，我们使用最小二乘误差（LSE）或L2范数，因为它将通过一个解决方案提供稳定的解决方案。 在整个训练期间，

Hands-On Machine Learning with Scikit-Learn and TensorFlow pdf最新版本

步态数据上的预测建模：使用LSTM将预测模型应用于时序步态数据的实验的最终结果和Python代码。 “重采样和时代测试”显示了一次优化模型参数两次的第一次迭代的结果。 “批次大小和神经元测试”显示第二次测试的结果，优化了其余两个参数