与Wayback Machine API交互的Python软件包和CLI工具 安装 使用 ： pip install waybackpy 直接从GitHub安装： pip install git+https://github.com/akamhy/waybackpy.git 支持的功能 存档网页 检索网页/域的所有档案 检索接近日期或时间戳的存档 检索所有具有特定前缀的档案 轻松获取档案的源代码 CDX API支持 用法 作为Python包 >> > import waybackpy >> > url = "https://en.wikipedia.org/wiki/Multivariable_calculus" >> > user_agent = "Mozilla/5.0 (Windows NT 5.1; rv:40.0) Gecko/20100101 Firefox/40.0"

决策树 对新患者进行分类的乳腺癌数据集的决策树。 训练数据 该模型是使用699例乳腺癌患者的数据集构建的。 数据集经过归一化和清洗，最终使500名患者接受了培训和测试的最终数据集。 共有500例患者，其中262例（52.4％）患有良性肿瘤，238例（47.6％）患有恶性肿瘤。 为了进行训练，使用了80％的数据，其中40％是良性肿瘤，40％是恶性肿瘤，其余20％用于测试。 在这20％中，12.4％来自良性肿瘤，而7.6％来自恶性肿瘤。 怎么跑 克隆存储库 启动你的服务器 现在，您可以从“决策树”中访问预测结果。 要查看命中率，请inspecionar并检查console 。 注释 src目录中的decision-tree.js文件已从以下存储库中删除，该存储库允许使用和修改： :

DeepAR：自回归递归网络的概率预测 描述 这是的实现。 这是什么实现不包含 尽管实现起来很微不足道，但是目前遗漏了两个重要的部分。 用于项目分类的联合嵌入学习 对高斯分布的支持，适用于预测实际价值时间序列。 如果您决定实施高斯分布，请注意重新分配分布参数。 请参阅本文。 结果 由于该论文没有提供定量结果，因此我们使用了Amazon Sagemaker上的carparts数据集进行了测试。 所有预处理和训练/有效拆分均完全按照本文中所述进行。 SageMaker的输出（单个时期） [07/01/2018 14:22:34 INFO 139862447138624] #test_score (algo-1, wQuantileLoss[0.5]): 1.12679 [07/01/2018 14:22:34 INFO 139862447138624] #test_score (algo

机器学习课程-温州大学 本学期我给研究生上机器学习课程，我把课件分享下，后续陆续更新。 如果有老师需要ppt原版文件，请联系我： （邮件情报，请告知姓名，学校，我都会回复。） 黄海广 目录说明 ppt：课程的课件 代码：课程的代码（Jupyter notebook格式） 视频：课程的视频

AI侍酒师 项目案例 AI能否准确预测红酒质量等级？ 无论如何，品酒师的舌头如何规范葡萄酒的化学成分，质量是什么？ 让我们尝试使用机器学习方法来回答这个问题，在该方法中，各种分类器算法将尝试发现葡萄酒评级过程中的所有模式。 作为项目的最后一部分，让我们构建一些人工侍酒师，并让他们处理实际的葡萄酒样品。 一切都以python flask应用程序的形式出现。 应用程序结构 Flask App有4个视图，每个视图代表机器学习过程的不同阶段。 每个部分都以可下载的代码模板结尾。 第1部分-数据集概述 首先，我们将仔细研究数据集。 使用numpy，pandas，seaborn和scikit-learn： 第2部分-建筑分类器 在下一步中，我们将在选择最佳拟合算法的同时建立分类器的基础： 第3部分-拟合分类器 现在，该是测试我们的分类器并查看其效果的时候了： 第4部分-对红酒进行评分 让我向您介绍我

请注意，该项目仍处于测试阶段。 请报告您遇到的任何问题或建议。 我们将尽力Swift解决它们。 也欢迎捐款！ 神经先知 基于PyTorch的和启发的基于神经网络的时间序列模型。 文献资料 我们目前正在改进。 有关NeuralProphet的直观介绍，请查看的演讲。 讨论与帮助 讲解 有几个可以帮助您入门。 请参阅我们的以获取更多资源。 最小的例子 from neuralprophet import NeuralProphet 导入软件包后，可以在代码中使用NeuralProphet： m = NeuralProphet () metrics = m . fit ( df , freq

使用机器学习衡量企业文化 介绍 该存储库实现了本文中描述的方法 李，买迈，沉瑞，闫欣彦，《 》，《金融研究评论》 ，2020年; DOI： 该代码已在Ubuntu 18.04和macOS Catalina上进行了测试，而在Windows 10上进行了有限的测试。 要求 代码要求 Python 3.6+ 可以通过pip install -r requirements.txt安装所需的Python软件包。 下载并解压缩 。 较新的版本可能会起作用，但尚未经过测试。 ，或者将global_options.py的以下行编辑为未压缩文件夹的位置，例如： os.environ [“ CORENLP_HOME”] =“ / home / user / stanford-corenlp-full-2018-10-05 /” 如果您使用的是Windows，请使用“ /”而不是“ \”来分隔目录

Report Machine适用于delphi3--9,BCB3--9中，就其功能而言，能做到著名的报表控件Fast Report能做到的，还能做到FR不能做到的，如最出色的屏幕打印功能（能打印wwdbgrid,Ehlib,F1Book等众多控件）， Gridview控件（类似于excell电子表格的报表制作工具），自动折行适应大小等等。

机器学习 原创文章每月最少两篇文章，后续最新文章会在首发，视频首发，大家可以加我进交流群，技术交流或提意见都可以，欢迎星级！ 文章首发声明 文章在自己的个人网站首发，其他平台文章均属转发，如想获得最新更新进展，欢迎关注我的个人网站： ://cuijiahua.com/ 第二章：kNN（k-邻域算法） 文章 个人网站 CSDN 知乎 Python3《机器学习实战》学习笔记（一）：k-近邻算法（史诗级干货长文） 代码 第三章：决策树（决策树） 文章 个人网站 CSDN 知乎 Python3《机器学习实战》学习笔记（二）：方法树基础篇之让我们从相亲说起 Python3《机器学习实战》学习笔记（三）：决策树实战篇之为自己配个隐形眼镜 代码 第四章：朴素贝叶斯 文章 个人网站 CSDN 知乎 Python3《机器学习实战》学习笔记（四）：朴素贝叶斯基础篇之言论过滤器 Python3《机器学习实战》学习笔记（五）：朴素贝叶斯实战篇之新浪新闻分类 代码 第五章：物流（Logistic回归） 文章 个人网站 CSDN 知乎 Python3《机器学习实战》学习笔记（六）：Logistic回归基础篇之梯

掌握离散世界模型的Atari 在TensorFlow 2中实现代理。包括所有55个游戏的训练曲线。 如果您认为此代码有用，请在您的论文中参考： @article{hafner2020dreamerv2, title={Mastering Atari with Discrete World Models}, author={Hafner, Danijar and Lillicrap, Timothy and Norouzi, Mohammad and Ba, Jimmy}, journal={arXiv preprint arXiv:2010.02193}, year={2020} } 方法 DreamerV2是第一个在Atari基准上达到人类水平性能的世界模型代理。使用相同的经验和计算量，DreamerV2的性能也优于顶级无模型代理Rainbow和IQN。此存储库中的实现