基于CNN-LSTM模型的网络入侵检测方法，使用的是UNSW-NB15数据集，代码包含实验预处理，混淆矩阵输出，使用分成K折交叉验证，实验采用多分类，取得良好的效果。 Loss: 0.05813377723097801 Accuracy: 0.9769517183303833 Precision: 0.9889464676380157 Recall: 0.9685648381710052

数据科学 项目1：足球运动员的评分（ ） 使用来自欧洲足球数据库的数据并建立了回归模型，以基于各种属性预测足球运动员的整体评分。 使用Flask构建了基本的API，并将其部署到GCP，Herolu和Pivotal云平台中。 项目2：预测一个人每年的收入是否超过5万（ ） 建立了几个分类模型，以预测一个人每年从经典成人数据集中赚取的收入是否超过5万。 建立了KNN，决策树，随机森林和XGBoost模型，并通过比较各自的AUC和准确性得分，比较了哪一种最适合数据集。 项目3：Zomato_EDA（ ） 是否在Zomato印度餐厅数据集上进行了广泛的EDA分析。 zomato探索性数据分析旨在为美食家找到最佳的餐馆，并在他们所在的地区物有所值。 它还有助于在当地找到所需的美食。

加州火区分析：《洛杉矶时报》对火灾危险区内的加利福尼亚建筑物的分析

主要介绍了在Python中画图(基于Jupyter notebook的魔法函数),文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下

本人“用于图像压缩和去噪的深度CNN自动编码器”文章的jupyter notebook源代码

主要介绍了jupyter notebook 增加kernel教程，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

道路分割 合作者： 目录 ： 介绍 该项目是 “模式分类和机器学习”课程的一部分。 更具体地说，这是我们针对道路分割的第二个项目的解决方案。 该文件概述了我们的代码及其功能。 有关该项目本身的所有其他说明，可以在其官方文件（ paper.pdf文件）中找到。 该项目的目标是通过确定哪些16x16像素斑块是道路还是不是道路来分割地球的卫星图像。 简而言之，该代码运行第一个卷积神经网络以获得基本预测。 此后，它运行第二个，即后处理一个，它使用先前计算的预测来给出最终预测。 结果 我们取得了约0.91的F1分数，下面您将看到一个图像，说明所获得的定性结果。 在图像上，每个检测到的道路补丁都以

机器学习入门专栏笔记对应jupyter notebook以及封装的各种算法。 包含：jupyter notebook、numpy、matplotlib的使用以及常见函数，KNN算法，线性回归算法，梯度下降算法（随机梯度下降算法），PCA与梯度上升法，多项式回归与模型泛化，逻辑回归，评价分类，SVM，决策树，集成学习与随机森林等机器学习的基础算法。 笔记还在更新中 个人笔记，如有错误，感谢指出！

Python py2neo包和prompt-toolkit冲突，导致jupyter notebook不能用，解决方法

logistic_regression：使用Python和Numpy从头开始进行Logistic回归