简单人工神经网络（ANN） 关于案例研究 在此业务案例研究中，我们预测了银行客户的流失率。 为了了解银行的客户，我们将使用一种深度学习技术，即人工神经网络（ANN）。从数百万的客户中，我们随机选择了1万个客户。 我们将使用客户的特征来确定他/她离开银行的可能性。 为了了解银行的客户，我们将使用一种深度学习技术，即人工神经网络（ANN）。 此外，我们将使用流行的Python库（例如Tensorflow，Keras）和机器学习技术（例如Adam Optimizer）来训练ANN模型并预测客户流失率。 数据：客户数据存储在： 论文：ANN案例研究论文： 研究论文 代码：Artificial_Neural_Network_Case_Study.py SAMPLE_OUTPUT = ANN_Case_Study_Sample_Output_1.png SAMPLE_OUTPUT = ANN_C

语音情感识别 介绍 该存储库负责构建和培训语音情感识别系统。 该工具背后的基本思想是构建和训练/测试合适的机器学习（以及深度学习）算法，该算法可以识别和检测语音中的人类情感。 这对于许多行业领域很有用，例如提出产品推荐，情感计算等。 查看本以获取更多信息。 要求 Python 3.6+ Python包 librosa == 0.6.3 麻木 大熊猫 声音文件== 0.9.0 海浪 斯克莱恩 tqdm == 4.28.1 matplotlib == 2.2.3 pyaudio == 0.2.11 （可选） ：如果要通过转换为16000Hz采样率和convert_wavs.py提供的单声道来添加更多采样音频，则使用 通过以下命令安装这些库： pip3 install -r requirements.txt 数据集 该存储库使用了4个数据集（包括此仓库的自定义数据集），这些数

入侵检测 使用各种数据挖掘技术的入侵检测（KDD Cup 1999数据） 数据集位于 使用的技术： K均值（K = 59） 准确度93.077％ 精确 召回 F1分数 支持 攻击。 0.95 0.96 0.96 250436 正常。 0.83 0.80 0.82 60593 平均/总计 0.93 0.93 0.93 311029 决策树 准确度92.956％ 精确 召回 F1分数 支持 攻击。 1.0 0.91 0.95 250436 正常。 0.74 0.99 0.85 60593 平均/总计 0.95 0.93 0.93 31

股票市场预测Web应用程序使用机器学习 基于机器学习和推特情感分析（代码中包含的API密钥）的股市预测Web应用程序。 Web App的前端基于Flask和Wordpress 。 该应用程序根据用户的输入预测纳斯达克或NSE下任何给定股票的未来7天的股价。 使用三种算法进行预测： ARIMA，LSTM，线性回归。 该网络应用程序将未来7天的预测价格与推文的情绪分析相结合，以给出建议价格是上涨还是下跌 注意 由于超出了Github LFS的配额，Wordpress文件已从存储库中移出。 现在从下载 屏幕截图 在屏幕截图文件夹中查找更多屏幕截图，或 文件和目录结构 screenshots -

机器学习领域书籍，涉及专家意见学习、博弈等内容。

使用机器学习模型预测NBA结果 该的目的是为我的实验中获得的结果提供可视界面。 我试图预测从2021年3月31日起的NBA比赛结果。 为此，我将使用两个机器学习模型，一个逻辑回归模型和一个带有线性核的支持向量机。 直到3月31日，NBA总共踢了695场比赛。 由于大流行，今年的赛程表发生了变化，因此每支球队只能参加72场比赛，而不是通常的82场比赛。 因此，常规赛总共将有1080场比赛。 这个想法是用这695个游戏（约占65％）训练模型，并对其余游戏进行“实时测试”，每天更新预测和结果。 为了进行培训，我使用了3月31日之前所有NBA游戏的数据。多亏了nbastatR软件包，我才能够轻松抓取boxscore数据和其他统计信息。 我转换了数据并实现了功能，以计算最近10场比赛的球队统计数据的移动平均值，并计算ELO评分（有关ELO评分的详细信息，请参见和）。 因此，训练数据集包含48个列

CS291K 使用CNN-LSTM组合神经网络模型对Twitter数据进行情感分析 论文： : 博客文章： : 动机 该项目旨在扩展我们以前使用简单的前馈神经网络（位于此处： ＆ ）进行的情绪分析工作。 相反，我们希望尝试使用Tensorflow构建组合的CNN-LSTM神经网络模型，以对Twitter数据进行情感分析。 依存关系 sudo -H pip install -r requirements.txt 运行代码 在train.py上，更改变量MODEL_TO_RUN = {0或1} 0 = CNN-LSTM 1 = LSTM-CNN 随时更改其他变量（batch_

TensorFlow示例模型 基于TensorFlow的几种机器学习模型的实现（前三个-Logistic Regresion，MLP和CNN受启发）。 文件夹包含以下内容的简单实现： （带EM） 文件夹包含通过期望最大化算法（具有对角协方差，完全协方差，基于梯度等）训练的高斯混合模型实现的详细版本。 文件夹包含将GMM实现分解为一组连贯的类的初始尝试。

修改TensorFlow 2.4及以上（或2.2，如果您使用XCenterNet标记为V1.0.0）上述tf.keras实施CenterNet对象检测在描述由兴义周，王德泉，菲利普·克雷恩布尔和TTFNet刘屠征，徐国栋，杨正，刘海峰，蔡登。有关原始实现，请参阅和。 此实现不是本文或pytorch实现的精确副本，因为我们已根据需要对其进行了修改，因此此回购协议具有一些功能： 使用tf2.2 + keras模型train_step和tf.data.dataset 使用来自tf2.3 +的tensorflow.keras.applications.efficiencynet 高效的网络和Resnet骨干网 tf.dataset的多尺度训练和扩充 添加了更强大的NMS，以获得更好的结果 无需姿势估计或3D，只需简单的物体检测 使用可变形卷积 易于在自己的数据集上进行微调，并自定义自己的图像增强，

Triton推理服务器 最新版本：您目前在master分支上，该分支跟踪开发进度到下一发行版。 Triton Inference Server的最新版本是2.5.0，可在分支上。 Triton Inference Server提供了针对CPU和GPU优化的云和边缘推理解决方案。 Triton支持HTTP / REST和GRPC协议，该协议允许远程客户端为服务器管理的任何模型请求推理。 对于边缘部署，Triton可以作为具有C API的共享库使用，该API允许Triton的全部功能直接包含在应用程序中。 Triton Inference Server的当前版本为2.5.0，与上的triton