您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. 一周学会机器学习

  2. 一周学会机器学习,让你快速上手机器学习。 kaggle比赛等教程
  3. 所属分类:深度学习

    • 发布日期:2017-10-30
    • 文件大小:2097152
    • 提供者:pythonguy
  1. 第八课:机器学习模型用于评分卡模型-GBDT

  2. 梯度提升决策树(Gradient Boosting Decision Tree,GBDT)算法是近年来被提及比较多的一个算法,这主要得益于其算法的性能,以及该算法在各类数据挖掘以及机器学习比赛中的卓越表现,有很多人对GBDT算法进行了开源代码的开发,比较火的是陈天奇的XGBoost和微软的LightGBM
  3. 所属分类:机器学习

    • 发布日期:2018-09-05
    • 文件大小:1048576
    • 提供者:quantbaby
  1. Machine-Learning:机器学习实战原始码实现-源码

  2. 机器学习相关项目实战代码,包括: 1,《机器学习实战》一书python3代码实现,官方版本基于python2 2,一些比赛的记录
  3. 所属分类:其它

    • 发布日期:2021-03-23
    • 文件大小:88080384
    • 提供者:weixin_42129113
  1. MachineLearning:机器学习-源码

  2. 机器学习 使用各种数据集并对其进行观察来实现机器学习算法。 1.使用法线方程和梯度下降的线性回归 一种线性回归模型,可通过两个特征Math SAT和Verb SAT预测大学生的GPA。 a)使用正态方程法训练模型。 b)使用梯度下降法训练模型。 c)以不同的学习率alpha进行周围环境的比赛 2.使用手语数据进行逻辑回归 a)Sigmoid函数的实现b)参数初始化以及正向和反向计算c)梯度下降的隐含性和预测功能d)评估矩阵计算 3.支持向量机 使用迷你数据集,Q矩阵的计算和决策方程的求解方程的玩
  3. 所属分类:其它

    • 发布日期:2021-03-11
    • 文件大小:31457280
    • 提供者:weixin_42122986
  1. NBA-Prediction:在2021年,我想了解有关机器学习的更多信息。 我认为做到这一点的最佳方法是将其应用到一些有趣的事情上。 因此,我的目标是预测2021年NBA冠军的结果。 随着我的进步,我将把我的代码上传到这个仓库中-源码

  2. NBA预测 NBA Prediction项目使用机器学习的应用程序来预测NBA比赛的结果。 这是一个正在进行的项目。 请随时关注相应的youtube播放列表。 存储库中还为每个程序提供了文档。 免责声明: NBA预测项目所做的预测仅用于娱乐目的。 罗汉·潘卡(Rohan Pankaj)对因使用此项目而造成的任何和所有损失不承担任何责任。 本软件按“原样”提供,不提供任何形式的明示或暗示担保,包括但不限于对适销性,特定目的的适用性和非侵权性的担保。 无论是由于软件,使用或其他方式产生的,与之
  3. 所属分类:其它

    • 发布日期:2021-03-10
    • 文件大小:791552
    • 提供者:weixin_42181545
  1. Voll-AI:2人排球与带有机器学习AI的比赛-源码

  2. Voll-AI 2人排球vs机器学习AI游戏
  3. 所属分类:其它

    • 发布日期:2021-02-25
    • 文件大小:2097152
    • 提供者:weixin_42098759
  1. 机器学习之(四)特征工程以及特征选择的工程方法

  2. 本文来自于segmentfault.com,从特征工程是什么?为什么要做特征工程?应该如何做特征工程?这三个方面详细叙述。关于特征工程(FeatureEngineering),已经是很古老很常见的话题了,坊间常说:“数据和特征决定了机器学习的上限,而模型和算法只是逼近这个上限而已”。由此可见,特征工程在机器学习中占有相当重要的地位。在实际应用当中,可以说特征工程是机器学习成功的关键。纵观Kaggle、KDD等国内外大大小小的比赛,每个竞赛的冠军其实并没有用到很高深的算法,大多数都是在特征工程这个
  3. 所属分类:其它

    • 发布日期:2021-02-24
    • 文件大小:335872
    • 提供者:weixin_38655810
  1. 机器学习算法——集成方法(Ensemble)之Stacking

  2. 本文来自于csdn,本文是基于《kaggle比赛集成指南》来进行总结的概述什么是集成学习,以及目前较为常用的技术。集成方法是指由多个弱分类器模型组成的整体模型,我们需要研究的是:①弱分类器模型的形式②这些弱分类器是如何组合为一个强分类器学习过机器学习相关基础的童鞋应该知道,集成学习有两大类——以Adaboost为代表的Boosting和以RandomForest为代表的Bagging。它们在集成学习中属于同源集成(homogenousensembles)方法;而今天我将主要对一种目前在kaggl
  3. 所属分类:其它

    • 发布日期:2021-02-24
    • 文件大小:474112
    • 提供者:weixin_38553478
  1. 机器学习代码:与机器学习问题相关的代码-源码

  2. 机器学习代码 在过去的三年中,我自己通过一些书籍,在线课程,视频,对话和整个互联网来学习机器学习。 收集了合理的知识后,我开始参加一些Kaggle的比赛。 还有很多东西要学习,但是与此同时,我想与您分享我的一小部分机器学习经验。 我希望它是有用的。 以下阅读资料对我的机器学习世界之旅非常有帮助。 Python数据科学手册:使用数据的基本工具。 作者:J. VanderPlas 模式识别和机器学习。 作者:克里斯托弗·毕晓普(Christopher Bishop)的书信息论,推理和学习算法。
  3. 所属分类:其它

    • 发布日期:2021-02-17
    • 文件大小:9437184
    • 提供者:weixin_42130862
  1. 产品组合:应用数据科学和机器学习解决现实世界中的见解问题-源码

  2. 数据科学组合 博天 该产品组合包含我的数据科学项目,相关实践和证书。 如果您有任何问题或意见,请告诉我。 专案 在此端到端机器学习项目中,我们开发了XGBoost模型,并使用AI平台将其提供给Google Cloud Platform(GCP)。 我们工作的目的是通过分析用户在网站上的行为来预测音乐流媒体服务KKBox的用户是否会“搅动”(即离开此基于订阅的服务)。 在这个项目中,我构建了一个来预测NBA的比赛结果。 为了使该模型有利可图,我将后端谓词模型设计为前馈神经网络,使用玩家级别特征和
  3. 所属分类:其它

    • 发布日期:2021-02-17
    • 文件大小:33554432
    • 提供者:weixin_42140716
  1. 推土机价格预测系统使用机器学习-源码

  2. 基于机器学习的推土机价格预测系统 Kaggle链接: ://www.kaggle.com/c/bluebook-for-bulldozers/overview 比赛的目的是根据拍卖品的用途,设备类型和配置来预测其拍卖价格。 该数据来自拍卖结果发布,并包含有关使用情况和设备配置的信息。 Fast Iron正在创建一本“推土机蓝皮书”,以使客户在拍卖中评估其重型设备的价值。 问题定义 预测一件重型设备的拍卖销售价格,以为推土机创建一本“蓝皮书”。 数据 数据集链接: : 由于其大小,我无
  3. 所属分类:其它

    • 发布日期:2021-02-15
    • 文件大小:82944
    • 提供者:weixin_42113754
  1. Titanic_Survival_Prediction:来自Kaggle灾难竞赛的Titanic机器学习笔记本-源码

  2. 预测泰坦尼克号的生存 这是我参加Kaggle竞赛的笔记本,《泰坦尼克号的机器学习从灾难》。 该笔记本的目的是从泰坦尼克号数据集中探索有趣的事物,并建立一个预测模型,以说明乘客在泰坦尼克号沉船事故中幸存下来。 比赛网站: : 目录 加载并检查数据 数据清理 探索性数据分析 特征工程 转换数据格式 造型
  3. 所属分类:其它

    • 发布日期:2021-02-12
    • 文件大小:293888
    • 提供者:weixin_42136826
  1. 机器学习-源码

  2. 目录 详细内容将会每个档案夹中进行说明。 1. 该课堂笔记包含东吴大学巨量资料管理学院硕士班机器学习与资料探究两门课以及东吴大学财务工程与精算数学系硕士班计量财务的课程,作业与学期报告内容。里头详细记录多种机器学习理论与实务内容,并包含参与kaggle比赛时如何将所学的机器学习技术运用于实际问题的纪录报告。 2. 该系统串流了某个时间尺度的标的资产,并使用深度学习影像识别的方式,按该时间尺度的频率发现标的资产在形态学上交易讯号,如在某人分段检测出符合形态学上交易讯号,系统初始化讯号提供给投资人作
  3. 所属分类:其它

    • 发布日期:2021-02-12
    • 文件大小:82837504
    • 提供者:weixin_42117267
  1. Senior-Capstone-Project:我研究了使用不同的机器学习算法和python来预测英超足球比赛的结果。 这是我高三毕业时作为Goucher大学计算机科学专业的Capstone项目-源码

  2. 高级项目 我研究了使用不同的机器学习算法和python来预测英超联赛足球比赛的结果。 这是我高三毕业时作为Goucher大学计算机科学专业的Capstone项目。 我使用whoscored.com的数据,创建了用于预测游戏效果的大多数指标。 我表现最好的算法是Logistic回归模型和Random Forest Regressor(它们的精确度为68%)。 考虑到我只有357个数据点(仅包括108个验证测试集数据点),这给人留下了深刻的印象! 文件: MyCapstone.ipynb: 该文件
  3. 所属分类:其它

    • 发布日期:2021-02-11
    • 文件大小:65536
    • 提供者:weixin_42153793
  1. 开放式机器学习课程mlcourse.ai-源码

  2. ML_course mlcourse.ai是由OpenDataScience开发的开放式机器学习课程,由Yury Kashnitsky(yorko)领导。 本课程旨在完美平衡理论与实践。 您可以参加课程中举行的几次Kaggle Inclass比赛。 从2017年Spring到2019年秋季,共举办了6届mlcourse.ai课程-申请了26k参与者,将10k转换为通过第一次作业,约1500名参与者完成了课程。 目前,该课程处于自定进度模式。 查看彻底的路线图,指导您完成自定进度的mlcours
  3. 所属分类:其它

    • 发布日期:2021-02-10
    • 文件大小:82837504
    • 提供者:weixin_42131013
  1. 机器学习:机器学习的东西-源码

  2. 机器学习 该存储库包含我编写的一些以学习有关MachineLearning主题的更多信息以及同一领域的一些基本概念。 希望对你有帮助。 目前,我正在忙于创建ML框架,以便能够更快地响应请求和竞争。 有关此的更多信息... docker文件 Kaggle是学习机器学习和数据科学的好地方。 我认为,对于以下情况,其docker映像是数据科学开发环境的不错选择: 如果您想对Kaggle的仅内核竞赛进行本地实验,则这与Kaggle内核的环境完全相同 对于其他所有内容,映像中包含的软件包列表是由Kagg
  3. 所属分类:其它

    • 发布日期:2021-02-10
    • 文件大小:133169152
    • 提供者:weixin_42117340
  1. PSTAT-131-机器学习-最终项目:分析英雄联盟的比赛以预测胜负的球队-源码

  2. PSTAT-131-机器学习-最终项目:分析英雄联盟的比赛以预测胜负的球队
  3. 所属分类:其它

    • 发布日期:2021-02-07
    • 文件大小:8192
    • 提供者:weixin_42099633
  1. euro2016predictor:使用机器学习的足球比赛预测器-源码

  2. 2016年欧洲杯足球赛预测 简而言之,该预测器基于典型的“功能+分类器”机器学习框架。 特征:自1920年以来,ELO评分,获胜/失败/失手率,进球/失球 标签:team1和team2之间的目标差异 分类器:随机森林分类器 由于时间有限,代码有些混乱。 也许我会更新它。 跑 环境:安装了scikit-learn软件包的Python2.7; 运行group_stage.py以获取组阶段结果(./result/nation_point.csv和./result/promoted_nation.c
  3. 所属分类:其它

    • 发布日期:2021-02-05
    • 文件大小:279552
    • 提供者:weixin_42151772
  1. kaggle-code:我在kaggle数据科学和机器学习任务中使用的一些代码的存储库-源码

  2. 凸轮的Kaggle密码 该存储库包含我在Kaggle数据科学/机器学习任务中使用的一些代码。 如果适用,我将一次比赛中的所有代码/数据保存在一个文件夹中。 也就是说,“ california_housing”将包含“加利福尼亚住房”数据集以及与该数据一起使用的所有内核或代码。 为了避免批量复制,我没有所有数据集的副本,因此某些脚本在主文件夹中单独存在。 要使用这些文件,您可以转到Kaggle并下载相关数据的副本。
  3. 所属分类:其它

    • 发布日期:2021-02-05
    • 文件大小:53477376
    • 提供者:weixin_42171208
  1. 幻想篮球:刮擦统计数据,使用神经网络和增强算法预测NBA球员的表现,并使用遗传算法优化选秀王的阵容。 Udacity的机器学习工程师Nanodegree的Capstone项目-源码

  2. NBA球员表现预测和阵容优化 NBA球员表现的预测,由Draft Kings定义为Fantasy Points。 这个顶峰项目是由Udacity作为机器学习工程师Nanodegree的一部分进行审核并批准的。 有关详细信息,请参见的最终报告。 请注意,自编写报告以来,代码已更新,内容不一定匹配。 截至2019年6月,该项目正在进行小型重构和文档编制,请随时通过与我。 我们会做什么 该项目的最终目标是为幻想篮球网站生成一系列阵容。 为此,我们将从2014-15赛季开始的每场常规赛季比赛中收集球员
  3. 所属分类:其它

    • 发布日期:2021-02-05
    • 文件大小:104857600
    • 提供者:weixin_42108948
« 12 3 4 5 6 7 »