空气质量预测 近年来，空气污染急剧增加，并且对所有生物造成的影响更糟。 世界上大多数国家都在与日益增加的空气污染水平作斗争。 因此，控制和预测空气质量指数已成为必要。 在此研究项目中，我们将实施数据挖掘和机器学习模型来预测AQI并将AQI归类。 对于AQI预测，我们已经实现了五个回归模型主成分，偏最小二乘法，留一维CV的主成分，留一维CV的偏最小二乘，多个印度城市的多元回归AQI数据。 根据AQI的值，AQI指数进一步分为6个不同的类别，即“好，满意，中，差，非常差和严重”。 为了预测AQI桶，我们使用重复CV分类算法开发了三种分类模型，分别是多项式Lo​​gistic回归和K最近邻和K最近邻。 来自印度不同城市的空气质量数据集，具有留一法交叉验证的PLS模型。

全国国赛美赛研究生华为杯数学建模竞赛练习使用 使用Python读取数据文件，进行预处理，然后建立模型，对模型进行优化调参，选择最佳的参数，使用Python筛选特征。对以上步骤分别进行可视化。使用多种评价指标评价分类模型。

Netron 是神经网络、深度学习和机器学习模型的查看器。Netron 支持 ONNX、Keras、TensorFlow Lite、Caffe、Darknet、Core ML、MNN、MXNet、ncnn、PaddlePaddle、Caffe2、梭子鱼、Tengine、TNN、RKNN、MindSpore Lite 和 UFF。Netron 为 TensorFlow、PyTorch、TorchScript、、ML.NET 提供实验性支持，scikit-learn，TensorFlow.js。有大量样本模型文件可供下载或使用浏览器版本打开。macOS、Windows、Linux、Python Server 和浏览器都支持它。 特征 ONNX：使用浏览器版本支持的squeezenet模型 CoreML：使用浏览器版本支持的 exermote 模型 Darknet：使用浏览器版本支持的yolo模型 Keras：使用浏览器版本支持的移动网络模型 MXNet：使用浏览器版本支持的 inception_v3 模型 TensorFlow：使用浏览器版本支持的国际象棋机器人模型

人工智能-项目实践-自适应学习-自适应学习模型-应用于教育领域-知识图谱 run this demo $python train_dkt.py --dataset ../data/assistments.txt

详细介绍了目前深度学校模型压缩和加速方面的研究现状，并详细探索了深度压缩及其硬件实现

对称梯度域机器学习（sGDML） 有关更多详细信息，请访问： : 可以在这里找到文档： : 要求： Python 3.7以上 NumPy（> = 1.19） 科学（> = 1.1） 可选的： PyTorch（用于GPU加速） ASE（> = 3.16.2）（运行原子模拟） 入门 稳定释放 大多数系统pip预先安装了针对Python pip的默认软件包管理器。 只需调用以下sgdml即可安装sgdml ： $ pip install sgdml sgdml命令行界面和相应的Python API现在可以在系统上的任何位置使用。 开发版 （1）克隆存储库 $ git clone https://github.com/stefanch/sGDML.git $ cd sGDML ...或更新您现有的本地副本 $ git pull origin master （2）安装 $ pi

SageMaker培训工具包 使用Amazon SageMaker在Docker容器中训练机器学习模型。 :books: 背景 是一项针对数据科学和机器学习（ML）工作流程的完全托管服务。 您可以使用Amazon SageMaker简化构建，训练和部署ML模型的过程。 要训​​练模型，可以将训练脚本和依赖项在运行训练代码的中。 容器提供有效隔离的环境，确保一致的运行时和可靠的培训过程。 SageMaker Training Toolkit可以轻松添加到任何Docker容器中，使其与SageMaker兼容以进行。 如果您使用，则该库可能已包含在内。 有关更多信息，请参阅《 Amazon SageMaker开发人员指南》中有关。 :hammer_and_wrench_selector: 安装 要将此库安装在Docker映像中，请将以下行添加到： RUN pip3 install sagemaker-training :laptop_computer: 用法 以下是简要的操作指南。 有关使用SageMaker培训工具包构建的自定义培训容器的完整工作示例，请参阅。 创建Dock

介绍如何使用`TF Lite model maker`库创建TensorFlow Lite模型。我们将在自定义数据集上微调一个预训练的图像分类模型，并进一步探索Tensorflow Lite支持的不同类型的模型优化技术，并将其导出到TF Lite模型。将创建的TF Lite模型与通过Tensorflow Lite 转换的模型进行详细的性能比较，最后将模型部署到web应用中。

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，

人工智能-机器学习-模型驱动的业务生成方法及业务智能化支撑技术研究.pdf