ModelingToolkit.jl：Julia中用于自动并行化科学机器学习（SciML）的建模框架。 用于集成符号的计算机代数系统，用于物理知识的机器学习和微分方程的自动转换

电动汽车目标销售策略研究：内容包括训练集与测试集，数据处理方法，模型使用，模型评价，可视化等方面。处理数据中的异常值、缺失值，使用不同的可视化方法可视化数据中的预测变量、根据不同的品牌汇总数据的变量。可视化图例包括：雷达图、热图、散点图。柱形图、条形图。模型方面包括glmnet模型，SCAD模型，集成模型。可视化方面包括可视化混淆矩阵，ROC曲线等等。 电动车目标销售策略为类失衡建模，针对类失衡建模的处理，可以参考本人博客中对于类失衡问题的解释，算作是对于该项目的一个扩展。 模型方面也可供各位下载者进行扩展：神经网络、C50、svm、随机森林等。

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

高效且可扩展的物理信息深度学习 搭配为主PINN求解器和PDE发现方法之上分布式计算多工人。 如果需要，请使用TensorDiffEq： 一个无网格的PINN求解器，可以分布在多个工作程序（GPU）上以解决正向问题（推理）和逆向问题（发现） 可扩展域-迭代求解器构造允许ND时空支持包括对不带时间元素的ND空间域的支持 正向和反向PINN的自适应配置方法 直观的用户界面，可对变量域，边界条件，初始条件和强格式PDE进行明确定义 是什么让TensorDiffEq与众不同？ 完全开源 求解可解决正向和反向问题，从而提高了解决方案的准确性和培训的稳定性，从而减少了总体培训时间 适用于大型或细粒度时空域的多GPU分布式训练 建立在Tensorflow 2.0之上，以增加对最新TF版本独有的新功能的支持，例如，有效图形构建的以及图形优化的*-源代码不可能再被淘汰Tensorflow版本发行 直

在计算机科学中，人工智能有时被称为机器智能，是由机器展示的智能，与人类和动物展示的自然智能形成对比。通俗地说，“人工智能”一词用来描述模仿人类与其他人类思维相关联的“认知”功能的机器，如“学习”和“解决问题”。

机器学习与数据科学 机器学习和数据挖掘：回归[线性（选择和收缩，降维，超出线性范围）和非线性回归（逻辑，K-NN，树）]，交叉验证（LOOCV，K折，偏差与方差） ，分类（LDA，QDA，K-NN，物流，树，SVM），聚类（PCA，K-Means，分层）本课程将介绍数据挖掘/统计学习的主要主题，包括：统计基础，数据可视化，分类，回归，聚类。 重点将放在统计学习方法，其背后的模型，直觉和假设以及对实际问题的应用上。 您可以在stats 415项目文件夹中找到我的最终项目。 项目总结 实施整个学期学习的所有分类器，以预测通过BMI分类的美国肥胖率，其中最佳分类器为7倍KNN，预测准确性为81.54％ 分析模型选择方法以提供最佳模型并找到最佳预测因子； 结论是可以根据收入，饮食习惯，运动习惯和购物习惯来非参数地预测BMI

由深度学习权威 Yoshua Bengio 和 GAN 之父 Ian Goodfellow 等人合著的深度学习经典教材《Deep Learning》

代理人 替代模型是一种近似方法，它模仿计算上昂贵的模拟的行为。 用更多的数学术语：假设我们正在尝试优化函数f(p) ，但是f每次计算都非常昂贵。 可能是我们需要为每个点求解PDE或使用高级数值线性代数机制的情况，这通常很昂贵。 我们的想法是再开发一个替代模型g近似于f通过对从评估收集以前的数据训练f 。 代理模型的构建可以看作是一个三步过程： 样品选择 替代模型的构建 代理优化 当前所有可用的采样方法： 网格 制服 索博尔 拉丁超立方体 低差异 克罗内克 金的 随机的 当前所有可用的代理模型： 克里格 使用Stheno进行克里金法 径向基础 温德兰 线性的 二阶多项式 支持向量机（等待LIBSVM分辨率） 神经网络 随机森林 洛巴切斯基 反距离 多项式展开 保真度可变 专家混合（等待GaussianMixtures软件包在v1.5上工作） 地球 梯度增强克里格 当前所有可用的优