基于python机器学习的天气预测和天气可视化项目源码全部资料.zip它实现了天气数据的爬取，预测和可视化。本项目分为三个部分，即爬取和处理数据，数据预测（包含评价方法）和数据可视化 即使用python爬取网站的json数据 数据预处理： 获取到的天气信息包括最高温，最低温都不是int格式的数字，通过对数据截取，将部分指标的数据变换为int类型 基于python机器学习的天气预测和天气可视化项目源码全部资料.zip它实现了天气数据的爬取，预测和可视化。本项目分为三个部分，即爬取和处理数据，数据预测（包含评价方法）和数据可视化 即使用python爬取网站的json数据 数据预处理： 获取到的天气信息包括最高温，最低温都不是int格式的数字，通过对数据截取，将部分指标的数据变换为int类型

基于机器学习的软件缺陷预测系统源码+全部数据资料.zip基于机器学习的软件缺陷预测系统源码+全部数据资料.zip基于机器学习的软件缺陷预测系统源码+全部数据资料.zip基于机器学习的软件缺陷预测系统源码+全部数据资料.zip基于机器学习的软件缺陷预测系统源码+全部数据资料.zip基于机器学习的软件缺陷预测系统源码+全部数据资料.zip基于机器学习的软件缺陷预测系统源码+全部数据资料.zip基于机器学习的软件缺陷预测系统源码+全部数据资料.zip基于机器学习的软件缺陷预测系统源码+全部数据资料.zip基于机器学习的软件缺陷预测系统源码+全部数据资料.zip基于机器学习的软件缺陷预测系统源码+全部数据资料.zip基于机器学习的软件缺陷预测系统源码+全部数据资料.zip基于机器学习的软件缺陷预测系统源码+全部数据资料.zip基于机器学习的软件缺陷预测系统源码+全部数据资料.zip基于机器学习的软件缺陷预测系统源码+全部数据资料.zip基于机器学习的软件缺陷预测系统源码+全部数据资料.zip基于机器学习的软件缺陷预测系统源码+全部数据资料.zip基于机器学习的软件缺陷预测系统源码+全部数据资料

机器学习算法的总结，涉及机器学习基础知识，各种算法的评价指标，需要用的python库，涉及线性回归，逻辑回归，聚类，决策树，集成，SVM六种算法，有详细的代码和代码解释，运行结果的总结与分析，运行环境PyCharm和Jupyter Notebook，适合初学者，欢迎下载观看。

用于机器阅读理解的藏语数据集

Titanic数据集来自kaggle

基于机器学习实现的农作物病虫害识别系统源码+全部数据.zip已获导师指导并通过的高分项目 本项目是一个非常完整的深度学习实践项目，内附从安装到部署详细教程。 目前，人工智能技术在农业领域的普及应用，还存在着数据共享不足、 算法门槛过高、算力垄断、实验与应用环境差距过大等问题。所以，本文基于 阿里云计算技术与机器学习计算机视觉技术，开发了一套农作物病虫害识别系统，大幅降低了人工智能技术使用门槛，使农业从业人员也可享受智能技术红利，促进智慧农业发展。 基于机器学习实现的农作物病虫害识别系统源码+全部数据.zip已获导师指导并通过的高分项目 本项目是一个非常完整的深度学习实践项目，内附从安装到部署详细教程。 目前，人工智能技术在农业领域的普及应用，还存在着数据共享不足、 算法门槛过高、算力垄断、实验与应用环境差距过大等问题。所以，本文基于 阿里云计算技术与机器学习计算机视觉技术，开发了一套农作物病虫害识别系统，大幅降低了人工智能技术使用门槛，使农业从业人员也可享受智能技术红利，促进智慧农业发展。

基于机器学习的水稻病虫害自动识别系统源码+数据.zip已获导师指导并通过的高分项目。 本项目是一个非常完整的机器学习实践项目，内附从安装到部署详细教程。 目前，人工智能技术在农业领域的普及应用，还存在着数据共享不足、 算法门槛过高、算力垄断、实验与应用环境差距过大等问题。所以，本文基于 云计算技术与人工智能机器学习学习的计算机视觉技术，开发了一套跨平 台、易使用的水稻病虫害自动识别系统，大幅降低了人工智能技术使用门槛，使农业 从业人员也可享受智能技术红利，促进智慧农业发展。基于机器学习的水稻病虫害自动识别系统源码+数据.zip已获导师指导并通过的高分项目。 本项目是一个非常完整的机器学习实践项目，内附从安装到部署详细教程。 目前，人工智能技术在农业领域的普及应用，还存在着数据共享不足、 算法门槛过高、算力垄断、实验与应用环境差距过大等问题。所以，本文基于 云计算技术与人工智能机器学习学习的计算机视觉技术，开发了一套跨平 台、易使用的水稻病虫害自动识别系统，大幅降低了人工智能技术使用门槛，使农业 从业人员也可享受智能技术红利，促进智慧农业发展。

资源包含贝叶斯分类器学习报告、实验报告、matlab代码程序，供机器学习初学者学习使用。以身高或者体重数据作为特征，在正态分布假设下利用贝叶斯估计法估计分布密度参数，建立最小错误率Bayes分类器。

足球经理 使用数据和机器学习来分析足球运动员。 贡献者： 巴图拉普·雅尔辛 托马斯·麦卡塔夫（Thomas Mecattaf） 莫希什·查克拉瓦蒂（Mohnish Chakravarti） Description：我们几乎每天都在我们的xbox上玩FIFA职业模式。 在此项目中，我们使用基本的机器学习技术（例如线性回归，随机森林和神经网络）分析2015 / 16、2016 / 17、2017 / 18、2018 / 19赛季EPL玩家的游戏FIFA评分和实际表现网络。 有3个笔记本（一个用于抓取，一个用于基本数据分析，一个用于机器学习），以及3个HTML文件，它们更详细地解释了所有这些笔记本和我们的项目 进行此项目的一些动机是： 我们可以了解FIFA中的球员属性和等级吗？ EA Sports不会发布有关球员排名和分配属性值的任何信息。 FIFA球员可以使用此回合为球队的每个职位

股票买卖最佳时机leetcode 构建和调整 LSTM 以预测 SET50 中的股票价格 背景 了解未来总是更好，尤其是在股票交易中，因为我们可以很好地计划何时买入和何时卖出以获利。 当我在互联网上搜索时，我发现了一些使用深度学习算法（如长短期记忆（LSTM））来预测股票价格的例子。 但是，我还没有看到太多针对不同预测范围调整 LSTM 以获得最佳结果的示例和结果，以及当我们将模型与不同数量的股票一起使用时模型的准确性。 关于这个项目的博客文章如下： 目标 使用 LSTM 构建股票预测器并调整所选股票的参数，以预测其未来 1、5 和 10 天的调整后收盘价。 我打算调整参数的方式是： 从所有参数的最小值开始，只允许调整一个参数。 循环构建、训练和验证参数的不同值以找到该参数的最佳值。 对所有参数执行此操作以查看哪个参数和哪个值给出的误差最低。 用值更新特定参数，而其他参数仍然是最低的。 重复所有步骤，直到误差不降低，这将是最佳参数值的集合。 使用从前面主题中找到的一组参数来构建模型，对另一组股票进行预测，并测量模型可以以可接受的错误率预测的股票数量。 构建用户友好的脚本，用户能够： 提