SHAP（SHapley Additive exPlanations）是一种游戏理论方法，用于解释任何机器学习模型的输出。 它使用博弈论中的经典Shapley值及其相关扩展将最佳信用分配与本地解释联系起来（详细信息和引文，请参见）。 安装 Shap可以从或 安装： pip install shap or conda install -c conda-forge shap TreeExplainer的树集成示例（XGBoost / LightGBM / CatBoost / scikit-learn / pyspark模型） 尽管SHAP可以解释任何机器学习模型的输出，但我们已经为树集成方法开发了一种高速精确算法（请参见）。 XGBoost ， LightGBM ， CatBoost ， scikit-learn和pyspark树模型支持快速的C ++实现： import xgboost import shap # load JS visualization code to notebook shap . initjs () # train XGBoost model X , y

机器学习工程师纳米学位 顶石项目 项目：预测库存移动方向 安装 此项目需要Python 3.6和已安装的以下Python库： 您还需要安装软件才能运行和执行 我们建议安装 ，这是一个预包装的Python发行版，其中包含该项目的大多数必需库和软件。 代码 该代码在Notebooks文件夹中提供。 由于大小限制，不包括CSV文件和Clfs文件夹（经过训练的分类器池）。 跑步 在终端或命令窗口中，导航到顶层项目目录Notebooks/ （包含此自述文件）并运行以下命令之一： ipython notebook {name of notebook file}.ipynb 或者 jupyter notebook {name of notebook file}.ipynb 这将在浏览器中打开iPython Notebook软件和项目文件。 数据 该数据集由Github上某个帖子的1分钟库存数据

人像卡通化（卡通照片） 中文版| 该项目为卡通肖像探索项目。您可使用微信扫描下方二维码或搜索“ AI卡通秀”小程序体验卡通化效果。 也可以前往我们的ai开放平台进行在线体验： ://ai.minivision.cn/#/coreability/cartoon 更新 2020.12.2 ：基于开源的paddlepaddle的项目 。 2020.12.1 ：增加onnx测试模型，详情请见 。 简介 人像卡通风格呈现的目标是，在保持原始图像ID信息和纹理细节的同时，将真实照片转换为卡通风格的非真实感图像。我们的思路是，从大量照片/卡通数据中习得照片到卡通一

在当今时代，检测和预测任何疾病非常重要，为什么要这样做，因为每个人都忙于日常生活，没有人关心自己的健康，也没有人遵循适当的饮食，这种鲁leads的行为会导致多种疾病。 在所有疾病中，心脏病是一种非常严重的疾病。 心脏病的主要原因之一是吸烟，饮酒和缺乏运动等。WHO（世界卫生组织）记录说，有3100万人死于CVD（心血管疾病）。 因此，有必要在心脏病发作之前对心脏病进行预测。 有大量来自医疗保健行业和医院的数据，但是像医生或医学专家这样的人却无法分析这些数据，因此机器学习可以分析大量数据并提供更好的结果。 过去几年的研究人员发现，机器学习在分析数据方面非常有效，因此我们提出了几种机器学习算法，例如人工神经网络（ANN），随机森林（RF），逻辑回归，K近邻（KNN） ），朴素贝叶斯（NB），支持向量机（SVM），决策树（DT）等来预测心脏病。 并且在本文中，我们获得了各种机器学习算法的结果，并进行了比较。

深度股票表示学习-从烛台图到投资决策 滑梯 参考 厉害的家伙： :

learning spark 中文翻译PDF版 高清

smote的matlab代码介绍 该项目实现了经典的机器学习算法（ML）。 这个项目的动机包括： 帮助机器学习大一新生对这个领域的基本算法和模型有更好更深入的理解。 在 ML 领域提供现实生活和商业执行方法。 由于这种情况，我的数学理论和编码能力保持新鲜。 概述 1.调频 1.1 fast_fm 展示如何使用“fast_fm”包对数据集进行分类。 1.2 fm_rewrite 遵循FM的理论，我们自己编写python脚本。 1.3 使用者： pip install fm_easy_run 。 2.xgboost 2.1 xgboost 展示如何使用“xgboost”包对数据集进行分类。 2.2 网格搜索 展示如何使用“gridsearch”包来选择“xgboost”算法的最佳参数。 3.N-gram 用 n-gram 代替朴素贝叶斯解决的面试问题。 4.Svd @博尔格： 4.1 linalg中的矩阵分解 4.2 矩阵分解与 RSVD 5.协同过滤推荐系统 @博尔格： 5.1 项目基础 5.2 用户基础 6.语义识别 @博尔格： 6.1 解霸流程 6.2 Tf-Idf 6.3 Bp 神

使用TensorFlow Cookbook进行机器学习 Packt出版的《使用TensorFlow Cookbook进行机器学习》。

Explore machine learning concepts using the latest numerical computing library — TensorFlow — with the help of this comprehensive cookbook About This Book Your quick guide to implementing TensorFlow in your day-to-day machine learning activities Learn advanced techniques that bring more accuracy and speed to machine learning Upgrade your knowledge to the second generation of machine learning with this guide on TensorFlow Who This Book Is For This book is ideal for data scientists who are familiar with C++ or Python and perform machine learning activities on a day-to-day basis. Intermediate and advanced machine learning implementers who need a quick guide they can easily navigate will find it useful. What You Will Learn Become familiar with the basics of the TensorFlow machine learning library Get to know Linear Regression techniques with TensorFlow Learn SVMs with hands-on recipes Implement neural networks and improve predictions Apply NLP and sentiment analysis to your data Master CNN and RNN through practical recipes Take TensorFlow into production In Detail TensorFlow is an open source software library for Machine Intelligence. The independent recipes in this book will teach you how to use TensorFlow for complex data computations and will let you dig deeper and gain more insights into your data than ever before. You’ll work through recipes on training models, model evaluation, sentiment analysis, regression analysis, clustering analysis, artificial neural networks, and deep learning – each using Google’s machine learning library TensorFlow. This guide starts with the fundamentals of the TensorFlow library which includes variables, matrices, and various data sources. Moving ahead, you will get hands-on experience with Linear Regression techniques with TensorFlow. The next chapters cover important high-level concepts such as neural networks, CNN, RNN, and NLP. Once you are familiar and comfortable with the TensorFlow ecosystem, the last chapter will show you how to take it to production. Style and approach This book takes a recipe-based approach where every topic is explicated with the help of a real-world example.

IEEE COMMUNICATIONS SURVEYS & TUTORIALS, VOL. 21, NO. 4, FOURTH QUARTER 2019 Nguyen Cong Luong , Dinh Thai Hoang , Member, IEEE, Shimin Gong , Member, IEEE, Dusit Niyato , Fellow, IEEE,PingWang , Senior Member, IEEE, Ying-Chang Liang , Fellow, IEEE, and Dong In Kim , Fellow, IEEE