黑色素检测 什么是黑色素瘤？ “黑色素瘤” ，也称为“恶性黑色素瘤” ，是一种由称为黑色素细胞的含色素细胞发展而来的癌症。 黑色素瘤通常发生在皮肤上，但很少发生在口腔，肠或眼睛中。 黑色素瘤的主要原因是皮肤色素含量低的人暴露于紫外线（UV）中。 紫外线可以来自太阳，也可以来自其他来源，例如晒黑设备。 大约25％的痣来自于痣。 在以下了解更多信息：-> 。 关于存储库- 此存储库包含用于黑色素瘤检测应用程序的源代码。 以下是“项目结构” ： . | Main.py | dataset.npz | testcase.npz | README.md |---featext |

阿达·本 与论文工作相关的代码： “ AdaBnn：经过自适应结构学习训练的二值化神经网络” 该存储库当前包含两个协作笔记本： 带有实验性质的基于Keras实施AdaNet算法提出的由该文件实验“ ”在，对于学习神经网络结构为子网的集合。 此外，AdaBnn表示为对AdaNet的修改，它对运行时间施加了二进制约束，以尝试在时间方面提高性能，并且是一种基于“的正则化方式”。 “。 另外，包含的单独代码包含Adanet和AdaBnn实现及其文档。 一些发现 根据笔记本中提供的实验： 在自适应结构学习的情况下，对网络权重进行二值化具有类似的效果，即遗传算法中的突变率很高，在迭代之间很难遵循学习模式，在T迭代中不保持增量性能。 Adam优化在大多数情况下更适合于此类AdaBnn结构，并且迭代次数更少（本文中的T参数）。 目前，对AdaNet进行二值化处理并没有太大的改进，但它可能是为权重/激活添加约束作为自适应结构学习的正则化方法的起点。 进一步的工作 进一步的工作可能包括将二值化过程作为卷积子网的一部分，这是（M Courbariaux，2016）的最初建议。 例 导入依赖关

scikit-survival：基于scikit-learn的生存分析

如何处理数据缺失值？INRIA研究员Gael 《机器学习缺失值处理》54页ppt教程，为你讲解一个关于机器学习的教程，以建立缺失值的预测模型。这教程涵盖了理论结果(统计学习)和实践建议，重点介绍了使用scikit-learn在Python中的实现

调谐斯克莱恩 Tune-sklearn是Scikit-Learn的模型选择模块（GridSearchCV，RandomizedSearchCV）的替代品，它具有尖端的超参数调整技术。 产品特点 以下是tune-sklearn提供的功能： 与Scikit-Learn API的一致性：在标准Scikit-Learn脚本中更改少于5行即可使用API​​ []。 现代调整技术：tune-sklearn使您可以通过简单地切换几个参数来轻松利用贝叶斯优化，HyperBand，BOHB和其他优化技术。 框架支持：tune-sklearn主要用于调整Scikit-Learn模型，但它也支持并提供了许多其他带有Scikit-Learn包装器的框架的示例，例如Skorch（Pytorch）[ ]，KerasClassifier（Keras）[ ]，和XGBoostClassifier（XGBoost）[]。 向上扩展：Tune-sklearn利用 （一个用于分布式超参数调整的库）在不更改代码的情况下并行化多个核甚至多个机器上的交叉验证。 查看我们的和（针对master分支）。 安装 依存关

数据科学 机器学习系列5 利用Scikit-learn构建回归模型：准备和可视化数据.ipynb

机器学习系列4 使用Python和Scikit-Learn回归模型.ipynb

XGBRegressor：使用Python 2.7，scikit-learn和XGBoost进行回归问题的简单实现

面部吸引力预测 这是使用地标特征和gabor过滤器预测面部吸引力的存储库。 从以下获得的功能： 面部距离 面部比例 伽柏滤波器 如何运行： 首先必须通过运行generate_features.py生成所有功能 然后，您可以通过运行train.py来训练自己的模型 您可以通过运行demo.py对单个图像进行测试（在开头给出路径） 所需的库：Dlib，OpenCV，numpy，scipy，sklearn，imutils 验证结果： 演示： 请参阅下载整个数据集。

推特航空公司 来自美国主要航空公司客户的推特的情绪分析。 可以在以下博客文章中找到该项目的描述：