钻石无处不在 介绍 在世界上，钻石因其美观和特性而成为人们最垂涎的对象。 他们昂贵的采购和稀缺性使钻石产品在市场上具有很高的价值。 但是，可以根据钻石的特性计算出该值吗？ 在这个项目中，我们打算使用监督学习来创建预测模型，该模型使用一系列钻石变量来预测其他钻石的市场价值。 过程 打扫 清理过程首先检查数据集。 发现存在分类变量和数字变量的地方。 还观察到没有空值。 消除了无用的列，并对分类变量进行了编码，我们选择按序数形式对它们进行分类，因为存在分类顺序，因此考虑到顺序，将分类值替换为数值。 造型 使用的模型是线性回归，使用HyperOpt选择超参数的随机森林Reggresor，以及由Pycaret选择的第三个模型，最终将成为LightGradientBoostingMachine。 使用的度量是“ mean_square_error”。 数据 该项目使用的数据数据是从以下获得的

硕士论文 查尔默斯理工大学硕士论文项目的存储库，题为“使用深度机器学习的行人意图预测”。 抽象的 待添加 数据集 联合注意自动驾驶（JAAD）数据集[]： JAAD是一个用于研究自动驾驶环境下的共同注意力的数据集。 重点是在交叉点的行人和驾驶员行为以及影响他们的因素。 为此，JAAD数据集提供了从240多个小时的驾驶录像中提取的346个短视频剪辑（长5-10秒）的丰富注释集合。 这些在北美和东欧的多个地点拍摄的视频代表了在各种天气条件下日常城市驾驶的典型场景。 为所有行人提供了带有遮挡标签的边界框，使该数据集适合行人检测。 行为注释指定与驾驶员互动或需要驾驶员注意的行人的行为。 对于每个视频，都有固定的列表中的几个标签（天气，位置等）和带有时间戳的行为标签（例如，停下，步行，观看等）。 此外，还为每个行人提供了人口统计属性列表（例如年龄，性别，运动方向等），以及每个帧的可见交通场景元

启动成功还是失败？ 业务问题：投资创业公司的投资策略广泛地基于直觉或过去的经验。 结果，投资者主要依赖于需要解决的问题，创始人的背景，要解决的市场规模以及公司在尝到早期成功后的规模扩展能力。 我们在这里提出的问题是：“我们能否进行一些严格的分析，以用于识别相关因素并根据成功的潜力对潜在的初创企业进行评分”。 然后，该模型/分析将使投资者能够做出更明智的决定，并减少对直觉的依赖。 您将需要构建逻辑回归模型（仅）来预测启动将成功还是失败。 此外，您需要专注于数据准备和探索部分。 在应用任何建模算法之前，需要清理和探究给定的数据以使数据适合分析并选择要建模的特征。

简介项目 针对机器学习模型的成员资格推理攻击试图重现和研究以下论文中发布的结果，这是机器学习入门课程的一个班级项目的一部分： : CIFAR10_all_stages.ipynb包含在CIFAR 10数据集上作为该项目一部分进行的实验的A到Z代码。 - - - - - - - - - - - - - - - - - - - 阶段I - - - - - ------------------------------- 主要目标：这部分代码基本上为我们的攻击模型生成训练和测试数据 细节：对于[2500，5000，10000，15000]中的每个data_size，我们生成一个目标模型，并相应地生成10个阴影模型。 目标模型提供攻击模型的测试数据，影子模型提供攻击模型的训练数据。 目标模型中使用的数据与阴影模型中使用的数据完全脱节。 存储来自这

签名识别-MCYT-100

FDDC2018主题2 Python 3.5 Jupyter笔记本 日志： 6-20 Snowisch html到txt 6-21 Snowisch pdf到txt 6-24 Snowisch基本框架已创建

用于从 RGB 图像重建光谱的分层回归网络 NTIRE 2020 团队 OrangeCat 光谱重建挑战的 README 文件：用于从 RGB 图像重建光谱的分层回归网络。 我们的方法在轨道 2 中获得了第一名：真实世界的图像。 论文可下载： : HRNet架构 主网络（不同层通过PixelShuffle和PixelUnShuffle连接）： 主网建议使用的 ResDB 和 ResGB： 文件结构 NTIRE 2020 Spectral Reconstruction Challenge │ README.md │ validation*.py │ test*.py │ ensemble*.py │ └───track1 (saving the trained models of track1) │ │ code1_G_epoch9000_bs8.pth │

卡尔曼滤波 使用python的卡尔曼滤波器的基本实现

PU学习 积极的无标记机器学习实验 有关更多详细信息，请参。

带有Python的Neural Network Visualizer Web App 使用Streamlit的Neural Network Visualizer Web应用程序，以及使用Keras和Flask的简单模型服务器。 它使用Keras训练神经网络模型，并使用Keras的功能API创建具有多个输出的模型。 它是一个Web应用程序，可针对给定的输入可视化神经网络所有层的所有节点的输出。