快乐变形金刚 Happy Transformer是基于构建的软件包，可轻松利用最新的NLP模型。 目录 新闻： 2021年1月12日 即将推出2.0.0版！ 我们从头开始完全重新设计了Happy Transformer。 新的功能： 问答训练 多标签文字分类训练 文本分类的单一预测 不推荐使用的功能： 掩蔽词预测训练 具有多个遮罩的遮罩字预测 重大更改： 一切 Happy Transformer已经过重新设计，以提高可伸缩性。 现在，添加新模型和功能比以往任何时候都容易，并且我们鼓励您创建PR来为该项目做出贡献。 2020年11月23日 上个月，Happy Transformer在名

在本文中，我们将研究一种称为Logistic回归分类器的有监督的机器学习算法，用于多类分类。

本文为您自己的对象检测项目提供了一个很好的起点。

常见机器学习任务的演练-通过使用python和scikit-learn构建Naive Bayes垃圾邮件分类器

自适应信号处理机器智能 该存储库用于存储2020-2021年伦敦帝国理工学院自适应信号处理和机器智能模块的最终报告和算法完成的所有工作。

[进入当今世界是高频数据驱动的，其特征是信息技术的应用和使用，以促进更好的业务发展和决策。 股票市场的价格变动主要受各个经济体的微观和宏观经济变量、法律框架和税收政策的影响。 问题的关键在于根据历史或过去的价格准确预测单个公司未来的股价走势。 由于股票市场随机行为的盛行和股价的波动，实现预测市场趋势的准确性变得困难。 本文使用集成机器学习方法分析了 NSE-Nifty 波动最大的 50 只公司股票（就市值而言）的运动模式的随机性。 研究结果将帮助投资者做出理性和明智的投资决策，通过投资于最有价值的股票来优化股票回报。

Collaborative Cyber Threat Intelligence 英文无水印pdf pdf所有页面使用FoxitReader和PDF-XChangeViewer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 本资源转载自网络，如有侵权，请联系上传者或csdn删除

怀疑识别等级MATLAB代码分类-计算-智能 本次作业的目的是研究 TSK（Takagi-Sugeno-Tang）模型解决分类问题的能力。 具体来说，从 中选择两个数据集，以便使用模糊神经模型对各自类别中的可用样本进行分类。 第1部分 第一个数据集用于对此类模型的训练和评估过程进行简单调查，并说明分析和解释结果的方式。 我们检查了四个 TSK 模型，其中定义了模糊 IF-THEN 规则数量的参数，即集群半径，被修改。 对于输入分区，我们使用减法聚类 (SC)方法。 特别是，在第一种情况（前两个模型）中，SC 将针对整个训练集（类独立）运行，而在第二种情况（其余两个模型）中，聚类将分别应用于每个类的训练数据（类依赖）。 我们使用这种聚类方法的原因是模型的可解释性的增加和“更干净”的聚类（因此规则）的产生。 数据集： 第2部分 第二个更复杂的数据集用于更完整的建模过程，其中包括预处理步骤，例如特征选择和通过交叉验证优化模型的方法。 由于数据集较大，可能会出现规则爆炸等问题。 为了避免这种情况，我们有必要通过选择最重要的特征并拒绝不太有用的特征来降低其维度。 之后，我们应用网格搜索和5 倍交

自己写的Cohort Intelligence的MATLAB代码，附测试函数，可以运行

Artificial Intelligence: A Modern Approach 课件