Sentiment_analysis_twitter 总览 分析表情符号在改善情感分析结果中的作用。 使用Twitter StreamAPI收集Twitter数据，并使用TF-IDF对推文进行矢量化处理。 使用矩阵创建一个正向和负向矢量，并使用余弦相似度来确定给定推文为正或负的程度。 通过转换unicode将Emoji表情合并到推文中，并重复该过程。 将过程分类提高了15％。 动机 了解人类的情感和理智向来是我的痴迷。 借助我的数据科学技能，我想了解人们如何在社交网络上表达情感，也就是情感分析。 作为一个狂热的Twitter用户，我知道限制少于140个字符如何迫使人们进行创新，以及表情符号如何

脑电图机器学习挑战 EEG 机器学习挑战赛，Python 和 MATLAB（学者项目，2015） 本次挑战的目标包括根据 30 秒的 EEG 信号确定正确的睡眠阶段（W、R、N1、N2、N3）； 数据集分别包含 10178 和 10087 个 EEG 用于训练和测试。 特征提取 首先，我编写了自己的Python脚本（参见： : ），在学校网络上应用分布式并行计算。 它将特征的计算时间除以超过 100。超过 100。 PyEEG / PyREM / MNE 感谢 PyEEG 库，我提取了这些特征： DFA：去趋势波动分析 PFD：Petrosian 分形维数 hjorth：Hjorth 移动性和复杂性 ApEn：近似熵 SampEn：样本熵（SampEn） hfd：樋口分形维数 费舍尔信息：费舍尔信息 SVD：SVD熵 bin power & bin power ratio：由

可教学机器 使用神经网络训练来区分某些对象的WEB页面。

新的： 想要将可教机器带入您自己的网站创作中吗？ 我们正在开发一个名为eachablemachine.js的库，它将使您做到这一点。 这是您可以使用的第一个可混音演示，以窥视一下可能发生的情况： 演示演示如何仅需几行代码就可以在网站顶部放置机器学习“培训向导”。 可教学机器社区 什么是可教学机？ 是一个基于Web的工具，可让每个人快速，轻松且易于访问地创建机器学习模型。 。 是给谁用的？ 教育者，艺术家，学生，创新者，各种创造者–实际上，任何有想法要探索的人。 不需要先决条件的机器学习知识。 它是如何工作的？ 您可以训练计算机来识别图像，声音和姿势，而无需编写任何机器学习代码。 然后，在您自己的项目，站点，应用程序等中使用您的模型。 该存储库是做什么用的？ 该存储库包含两个组件： 一个部分，其中包含可教学机器中使用的所有机器学习代码。 在，我们使用 （一个使用Javascr

狗AI :light_bulb: 项目 使用Tensorflow.js和Teachable Machine通过拖放图像来识别100多种狗品种。 训练过程 收集带有一堆图像的数据集 调整大小并缩小所有图像 按品种分开狗图像并重命名所有文件 上载到可教机器 训练模型 导出训练有素的模型 :hammer_and_wrench: 工具 :laptop: 演示版 :rocket: 快速开始 安装 克隆存储库并运行 $ cd dogAI && yarn 用法 $ yarn start 数据集参考 小学：Aditya Khosla，Nityananda Jayadevaprakash，Bangpeng Yao和Li Fei-Fei。 用于细粒度图像分类的新型数据集。 首届细粒度视觉分类（FGVC）研讨会，IEEE计算机视觉和模式识别会议（CVPR），2011年。 中学：J. Deng，W. Dong，R. Socher，L.-J。 Li，K. Li和L. Fei-Fei，Im

美国运输模式 US-Transporation是我们数据集的名称，其中包含来自13个以上用户的传感器数据。 鉴于文献中缺乏针对TMD的通用基准，我们通过一个简单的Android应用程序收集了一大套属于不同主题的度量。 我们公开发布数据集，以便其他研究人员可以从中受益，以进行进一步的改进和提高研究的可重复性。 我们的数据集是由不同性别，年龄和职业的人构建的。 此外，我们不对应用程序的使用施加任何限制，因此，每个用户都记录自己习惯执行该操作的数据，以便评估现实世界的状况。 除了可下载的数据集之外，在此页面中，您还可以找到Python的代码以提取特征，并建立机器学习模型以进行预测。 您可以在找到有关数据集和我们的工作的更多信息。 如果对您的研究有所帮助，请在您的出版物中引用以下论文： @article{carpineti18, Author = {Claudia Carpineti,

斯坦福大学吴恩达2014机器学习个人笔记完整版v5.3-A4打印版

RegNet 介绍 在这项工作中，我们提出了一种通过学习方法来解决非刚性图像配准的方法，而不是通过对预定义的相异性度量进行迭代优化来解决。 我们设计了卷积神经网络（CNN）架构，与所有其他工作相反，该架构直接从一对输入图像中估计位移矢量场（DVF）。 提议的RegNet使用大量的人工生成的DVF进行了训练，没有明确定义相异性度量标准，并且以多种比例集成了图像内容，从而为网络配备了上下文信息。 在测试时，与当前的迭代方法相反，非刚性配准是一次完成的。 引文 [1] ， ， ， ， ， ， 和 ，2019年。。 arXiv预印本arXiv：1908.10235。 [2] ， ， ， ， IvanaIšgum和Marius Staring ，2017年9月。 使用多尺度3D卷积神经网络进行非刚性图像配准。 在医学图像计算和计算机辅助干预国际会议上（第232-239页）。 湛

20个新闻组文本分类 本笔记本包含使用数据集、使用和库的文本分类实现，以及使用库的一些模型解释。 本笔记本随附的博客文章：

Data Mining - Practical Machine Learning Tools and Techniques (3rd Ed)