足球数据集分析：足球数据集分析小组项目

机器学习大牛讲的课程的作业代码，里面有课程的文档，可以直接学习和完成作业。对系统的学习机器学习大有帮组。

用于烹饪食谱检索的深度学习食物图像识别系统 演示：DeepChef 总览 更新：博客文章现已发布。 有关更多信息，请访问！ 例如用法，请访问此Jupyter Notebook： Maturaarbeit 2018：这项工作利用Keras的深度卷积神经网络将图像分类为230种食物并输出匹配的食谱。 数据集包含来自chefkoch.de的> 400'000食物图像和> 300'000食谱。 几乎没有任何其他领域能像营养一样对人类福祉产生类似的影响。 每天，用户都会在社交网络上发布无数的食物图片； 从第一个自制蛋糕到顶级米其林菜肴，万一菜肴成功，您将与世界分享快乐。 事实是，无论彼此之间有多大差异，美食都会受到大家的赞赏。 个别烹饪原料的分类或对象识别方面的进展很少。 问题在于几乎没有公开编辑的记录。 处理 该代码（Jupyter笔记本）提供了许多德语注释。 该过程如下所示： 1│──数据准备│└──清除数据│└──数据扩充 2│──数据分析和可视化，拆分数据（训练，有效，测试） 3│──使用简单ML模型的首次尝试│└──最近邻分类器（kNN） │└──k-均值聚类│└──支持向量机

Keras TCN 与所有主要/最新的Tensorflow版本（从1.14到2.4.0+）兼容。 pip install keras-tcn Keras时间卷积网络。 [] 为什么选择时间卷积网络？ 与具有相同容量的循环体系结构相比，TCN具有更长的内存。 在各种任务（序列MNIST，添加问题，复制内存，字级PTB ...）上，其性能始终优于LSTM / GRU体系结构。 平行度，灵活的接收场大小，稳定的梯度，训练所需的低内存，可变长度的输入... 放大的因果卷积层堆栈的可视化（Wavenet，2016） API 通常的方法是导入TCN层，并在Keras模型中使用它。 下面提供了一个回归任务的示例（对于其他示例，请参阅tasks/ ）： from tensorflow . keras . layers import Dense from tensorflow . keras import Input , Model from tcn import TCN , tcn_full_summary batch_size , timesteps , input_dim = No

用于股票预测的深度学习和机器学习 描述：这是用于学习，研究，研究和分析深度学习（DL）和机器学习（ML）中的股票。 使用不同类型的算法通过机器学习或深度学习预测股票。 对股票数据进行试验，以查看其工作原理，工作原理或为什么不这样工作。 在机器学习或深度学习中使用不同类型的库存策略。 在机器学习或深度学习中使用技术分析或基础分析来预测未来股价。 此外，可以长期或短期地预测库存。 机器学习是人工智能的一个子集，它涉及算法的创建，这些算法可以自动更改，而无需人工干预，从而通过结构化数据输入自身来产生输出。 另一方面，深度学习是机器学习的一个子集，其中创建了算法，但是深度学习就像机器学习一样，许多不

Swin变形金刚-PyTorch 体系结构的实现。 本文介绍了一种称为Swin Transformer的新型视觉变形金刚，它可以用作计算机视觉的通用骨干。 在两个领域之间的差异，例如视觉实体规模的巨大差异以及与文字中的单词相比，图像中像素的高分辨率，带来了使Transformer从语言适应视觉方面的挑战。 为了解决这些差异，我们提出了一个分层的Transformer，其表示是通过移动窗口来计算的。 通过将自注意计算限制为不重叠的局部窗口，同时允许跨窗口连接，移位的加窗方案带来了更高的效率。 这种分层体系结构具有在各种规模上建模的灵活性，并且相对于图像大小具有线性计算复杂性。 Swin Transformer的这些品质使其可与多种视觉任务兼容，包括图像分类（ImageNet-1K的准确度为86.4 top-1）和密集的预测任务，例如目标检测（COCO测试中为58.7框式AP和51.1遮罩式

Erudite yet real-world relevant. It's true that predictive analytics and machine learning go hand-in-hand: To put it loosely, prediction depends on learning from past examples. And, while Fundamentals succeeds as a comprehensive university textbook covering exactly how that works, the authors also recognize that predictive analytics is today's most booming commercial application of machine learning. So, in an unusual turn, this highly enriching opus brings the concepts to light with industry case studies and best practices, ensuring you'll experience the real-world value and avoid getting lost in abstraction. ―Eric Siegel, Ph.D., founder of Predictive Analytics World; author of Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die

Python机器学习蓝图-第二版 这是Packt发布的的代码存储库。 通过开发现实世界的智能项目来测试您的机器学习概念 这本书是关于什么的？ 机器学习正在改变我们理解和与周围世界互动的方式。 这本书是您将知识和技能付诸实践并使用Python生态系统覆盖机器学习关键领域的理想指南。 第二版涵盖了来自Python生态系统的一系列库，包括TensorFlow和Keras，可帮助您实现现实世界的机器学习项目。 本书涵盖以下激动人心的功能：了解Python数据科学堆栈和常用算法建立模型以预测初始离散交易窗口内首次公开募股（IPO）的表现通过创建自定义新闻提要来理解NLP概念创建应用程序，该应用程序将根据您加注星标，观看或分叉的仓库来推荐GitHub存储库，并使用PySpark获得从零开始构建聊天机器人的技能。使用股票数据开发市场预测应用程序先进的概念，例如计算机视觉，神经网络和深度学习 如果

斯克莱恩评估 机器学习模型评估变得容易：绘图，表格，HTML报告，实验跟踪和Jupyter笔记本分析。 支持Python 3.6及更高版本。 安装 pip install sklearn-evaluation 产品特点 （混淆矩阵，特征重要性，精度调用，ROC） 报告生成（ ）

深脸 Deepface是python的轻量级和面部属性分析（，，和）框架。 它是一个混合的人脸识别框架，其中包含了最先进的模型： ， ， ， ， ， 和 。 该库主要基于Keras和TensorFlow。 安装 安装deepface的最简单方法是从下载。 pip install deepface 人脸识别 现代包括四个常见阶段： ， ，和。 Deepface在后台处理所有这些常见阶段。 您只需使用一行代码即可在其界面中调用其验证，查找或分析功能。 人脸验证- deepface界面下的验证功能可验证同一个人或不同个人的面部对。 您应将面对作为数组传递，而不是为了最佳实践而在for循环中调用verify函数。 这将大大加快该功能，并减少分配的内存。 from deepface import DeepFace result = DeepFace . verify ( "img1.jpg" , "img2.jpg" ) #results = DeepFace.verify([['img1.jpg', 'img2.jpg'], ['img1.jpg', 'img3.jpg'