注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 应用机器学习集成方法-源码

  2. 应用机器学习集成方法。 炒作或哈利路亚 欢迎来到我的动手异类集成实践，在这里我将沉浸于Python的应用机器学习中。 我探索异构集成模型（堆叠）。 在scikit learning中使用sklearn.ensemble方法，我们创建了可堆叠的定制图层。 模型堆叠的基础是： 创建各种类型的基线模型，包括使用Scikit-Learn进行线性和逻辑回归，以与整体方法进行比较。 构建图层，然后将它们堆叠起来。 计算和可视化性能指标。

  3. 所属分类：其它

    • 发布日期：2021-03-02
    • 文件大小：1048576
    • 提供者：weixin_42164702

  1. sec-ml：Python中的证券机器学习项目。 （金融证券交易，能源交易，风险管理，衍生工具，经济学，不平等，可视化）-源码

  2. SEC数据，公共回购 我的Python机器学习项目使用SEC数据（美国证券交易委员会）进行金融，投资和衍生产品开发。 注意：2020年6月，将“大师”更名为“主要”分支，以支持“黑手党问题” 作者：詹妮弗·尹（Jennifer E. Yoon） 描述： 我的目标是提供在SEC数据以及更广泛的金融衍生产品和经济学数据上使用机器学习的示例。 我使用Python及其数据科学库，即NumPy，Pandas，Matplotlib，SciPy和Scikit-Learn。 我使用Jupyter Noteb

  3. 所属分类：其它

    • 发布日期：2021-02-26
    • 文件大小：41943040
    • 提供者：weixin_42151373

  1. 芒果：Python中的并行超参数优化-源码

  2. 芒果：平行的黑匣子优化库 Mango是一个python库，用于在复杂搜索空间上进行并行优化。 目前，Mango旨在为机器学习算法找到最佳的超参数。 查看Mango的快速12秒演示，该演示近似于SVM的复杂决策边界 Mango在内部使用基于高斯过程的多臂Bandit贝叶斯优化器的并行实现。 芒果的一些突出特点是： 能够轻松定义与scikit-learn随机搜索和gridsearch函数兼容​​的复杂搜索空间。 内部使用最先进的优化器，该优化器允许并行采样一批值以进行评估。 目标函数可以任

  3. 所属分类：其它

    • 发布日期：2021-02-23
    • 文件大小：9437184
    • 提供者：weixin_42102713

  1. 机器学习算法：此存储库包含Jupyter笔记本，这些笔记本从零开始实现流行的ML算法-源码

  2. 机器学习算法 该存储库包含一系列Jupyter笔记本，这些笔记本从头开始实现常用的ML算法。 即，使用统计python软件包的限制。 它们部分基于我作为课程的一部分而开设的课程。 这些笔记本对我非常有用，有助于他们直观地了解这些算法的工作原理，以及使用scikit-learn和statsmodels之类的程序包时幕后发生的事情。 如上所示，我根据算法的类型将笔记本分为三个文件夹： 回归 聚类 其他：此文件夹包含用于二进制决策树和本地敏感度哈希（LSH）的笔记本。 这些笔记本中使用的数据可应

  3. 所属分类：其它

    • 发布日期：2021-02-21
    • 文件大小：8388608
    • 提供者：weixin_42116681

  1. Pyspatialml：空间数据的机器学习建模-源码

  2. 茶酚 空间栅格数据的机器学习分类和回归建模。 注意-此软件包仍在开发中，可能会做出重大更改。 描述 Pyspatialml是一个Python模块，用于将scikit-learn机器学习模型应用于栅格数据集的“堆栈”。 Pyspatialml包括用于处理多个栅格数据集并执行典型的机器学习工作流程的函数和类，这些工作流程包括提取训练数据并将scikit-learn估计量的predict或predict_proba方法应用于栅格数据集。 Pyspatialml建立在rasterio Python模块

  3. 所属分类：其它

    • 发布日期：2021-02-16
    • 文件大小：29360128
    • 提供者：weixin_42148053

  1. meta_models_rainbow：scikit-learn和FEniCS之间的Python接口，用于高效的元建模-源码

  2. 元建模：scikit-learn和FEniCS之间的Python接口，用于高效的元建模 该程序由Pierre Kerfriden和Ehsan Mikaeili编写，用于预测脑肿瘤在脑外科手术中的位置。 在外科手术中，随着外科医生切开切口并打开颅骨，脑肿瘤在新的边界条件下重新定位。 对于外科医生而言，预测不同切口尺寸下的肿瘤位置是非常宝贵的数据，可以通过构建元模型来预测。 在该程序中，使用杨氏模量和切口半径这两个参数构造一个元模型。 在FEniCS平台上进行了有限元模拟，并使用scikit-le

  3. 所属分类：其它

    • 发布日期：2021-02-13
    • 文件大小：185344
    • 提供者：weixin_42103587

  1. 从音频数据项目分类歌曲类型：摇滚还是说唱？ 让我们在Python中应用机器学习方法将歌曲分类为流派-源码

  2. 从音频数据对歌曲流派进行项目分类 使用由两种音乐流派（嘻哈和摇滚）的歌曲组成的数据集，我们将训练一个分类器，仅基于从Echonest（现在是Spotify的一部分）获得的曲目信息来区分两种流派。 我们将首先使用Python中的熊猫和seaborn软件包对数据进行子集，汇总信息以及在探查数据时发现明显的趋势或进行机器学习时应注意的因素时创建图。 接下来，我们将使用scikit-learn程序包来预测我们是否可以根据诸如舞蹈性，能量，声学，节奏等特征正确地对歌曲的类型进行分类。我们将介绍PCA，逻

  3. 所属分类：其它

    • 发布日期：2021-02-10
    • 文件大小：1048576
    • 提供者：weixin_42137028

  1. scikit-learn：scikit-learn：Python中的机器学习-源码

  2. scikit-learn：scikit-learn：Python中的机器学习

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：7340032
    • 提供者：weixin_42112894

  1. Neuroglia：用于神经生理学数据的Python机器学习库-源码

  2. 神经胶质：不仅仅是脑胶 Neuroglia是用于神经生理学数据的Python机器学习库。 它具有scikit-learn兼容的转换器，可从细胞外电生理学和光学生理学数据中提取特征，以用于机器学习管道。 安装 pip install git+https://github.com/AllenInstitute/neuroglia.git 支持水平 我们计划不定期地更新此工具。 通过问题和请求请求都鼓励社区参与。 执照 作者 开发主管 贾斯汀·吉金斯（Justin Kiggins） 贡献者 尼古拉斯

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：374784
    • 提供者：weixin_42134537

  1. madpy-ml-sklearn-2018：MadPy监督机器学习讲座-源码

  2. 使用scikit-learn在Python中进行监督的机器学习 在Madison Python（MadPy）聚会中的“使用scikit-learn在Python中进行监督式机器学习”的材料。 幻灯片的实时版本可以在找到。 安装 生成幻灯片的依赖项为： numpy pandas jupyter scikit-learn mlxtend matplotlib graphviz 使用conda 可以通过以下方式创建安装了这些依赖项的conda环境： conda env create

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：2097152
    • 提供者：weixin_42129797

  1. 谣言：Rumale是Ruby中的机器学习库-源码

  2. 鲁马累 Rumale（ Ru by ma chine le arning）是Ruby中的机器学习库。 Rumale为机器学习算法提供的接口类似于Python中的Scikit-Learn。 Rumale支持支持向量机，逻辑回归，岭，套索，多层感知器，朴素贝叶斯，决策树，梯度树增强，随机森林，K均值，高斯混合模型，DBSCAN，谱聚类，多维标度，t-SNE ，Fisher判别分析，邻域分量分析，主分量分析，非负矩阵分解和许多其他算法。 安装 将此行添加到您的应用程序的Gemfile中： gem

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：349184
    • 提供者：weixin_42097450

  1. pycaret：Python中的开源，低代码机器学习库-源码

  2. PyCaret 2.2 什么是PyCaret？ PyCaret是Python中的开源低代码机器学习库，可自动执行机器学习工作流程。 它是一种端到端的机器学习和模型管理工具，可以成倍地加快实验周期，并使您的工作效率更高。 与其他开源机器学习库相比，PyCaret是一个备用的低代码库，可用于仅用很少的单词替换数百行代码。 这使得实验快速而有效地成指数增长。 PyCaret本质上是Python的包装器，它围绕着多个机器学习库和框架，例如scikit-learn，XGBoost，LightGBM，C

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：32505856
    • 提供者：weixin_42175516

  1. scikit-learn：scikit-learn：Python中的机器学习-源码

  2. scikit-learn：scikit-learn：Python中的机器学习

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：7340032
    • 提供者：weixin_42135753

  1. datacamp-machine-learning-scikit-learn：作为DataCamp的“使用Python的机器学习Track”轨迹的一部分，我所做的所有工作-源码

  2. 1-监督学习 在本课程中，您将学习如何使用Python执行监督学习，这是机器学习的重要组成部分。 您将学习如何建立预测模型，如何调整其参数，以及如何在使用现实世界数据集的同时始终了解未见数据的性能。 您将使用scikit-learn进行此操作，这是Python最受欢迎和用户友好的机器学习库之一。 Jupyter笔记本 2-无监督学习 无监督学习涵盖了机器学习中的各种技术，从聚类到降维再到矩阵分解。 在本课程中，您将学习无监督学习的基础知识，并使用scikit-learn和scipy实现基本算法。

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：7340032
    • 提供者：weixin_42163404

  1. Udacity：机器学习工程师纳米学位-源码

  2. Udacity Udacity机器学习工程师Nanodegree程序中包含项目代码和注释的存储库。 完成本课程后，我希望在数据科学或机器学习中找到一个位置。 项目： -探索性分析，决策树 -线性回归，特征工程 -功能选择，分类，可视化 -无监督学习 -聚类，高斯混合模型，PCA和降维 -强化学习，Q学习，优化 -Tensorflow，神经网络，卷积神经网络，word2vec，LSTM -自然语言处理，分类，情绪分析 使用的工具：Python 2，Jupyter Notebooks，Sp

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：13631488
    • 提供者：weixin_42098104

  1. 机器学习基础知识：使用Python和scikit-learn来启动和运行机器学习中最热门的开发-源码

  2. 机器学习基础 随着机器学习算法的普及，也正在开发优化这些算法的新工具。 机器学习基础知识介绍了scikit-learn API，这是一个软件包，旨在促进构建机器学习应用程序的过程。 您将学习如何解释监督模型和非监督模型之间的差异，以及如何将一些流行的算法应用于实际数据集。 您将首先学习如何使用scikit-learn的语法。 您将研究监督模型与非监督模型之间的差异，以及为每个数据集选择适当算法的重要性。 您将对现实世界的数据集应用无监督的聚类算法，以发现模式和配置文件，并探索解决无监督的机器学习

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：968704
    • 提供者：weixin_42122878

  1. 机器学习入门：机器学习简介-源码

  2. 机器学习导论 该存储库中的代码受和启发。 安装注意事项 本教程使用以下软件包： Python版本2.7.6 numpy版本1.9.2 scipy版本0.15.1 matplotlib版本1.4.3 scikit-learn版本0.16.0 ipython版本4.0.0，具有笔记本支持（版本4.0.1） 您也可以运行pipenv install安装所有必需的功能。 或者，选中“ 。 它为以不同方式安装scikit-learn提供了很好的指导。 我还为Vagrantfile提供了一

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：649216
    • 提供者：weixin_42181545

  1. Python工作坊中的机器学习：我的研讨会使用python语言实现不同算法的机器学习-源码

  2. Python工作坊中的机器学习 我的机器学习研讨会使用python语言实现不同算法（伊朗大不里士大学，2017年）。 内容 第1部分：使用现有软件包进行机器学习（第1至5周） 第01周和第02周： Numpy和Matplotlib软件包简介 第03周和第04周：使用Scikit Learn进行监督学习 第05周：使用Scikit Learn进行无监督学习 第2部分：实现我们的机器学习算法和模型（第5周至第10周） 第六周：线性分类 第07周：实现损耗功能（Softmax损耗和SVM损耗）

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：37748736
    • 提供者：weixin_42131633

  1. MLclass：我的主要机器学习课程-源码

  2. ML类 我的机器学习课程的材料。 自2012年以来以英语或法语授予博士和/或硕士研究生。 描述 本课程通过一些关键算法提供了机器学习领域的发现。 尽管第一届会议试图涵盖机器学习技术的全部范围，但随后的会议将重点讨论“超学习”问题，并将从四个不同的角度（贝叶斯角度，线性分离，神经网络和集成方法）对算法进行分类。 。 所采用的方法将Python中的自愿动手实践与对该方法的理论和数学理解相结合。 在课程结束时，您将可以根据眼前的问题在ML算法的主要系列之间做出明智的选择。 您将了解每种方法系列的算法和

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：191889408
    • 提供者：weixin_42116650

  1. 带有Python的机器学习工具包：使用Python的机器学习工具包-源码

  2. 带有Python的机器学习工具包 实用的Python机器学习工具包 评估回归模型的性能（MAE与MSE） 通常，MSE或RMSE不仅用作回归模型的损失函数，而且还用于评估这种模型的性能。 但是，有些人声称MSE不是衡量平均模型性能的合适方法。 “我们的发现表明，MAE是更自然的平均误差度量，并且（与RMSE不同）是明确的”（Willmott和Matsuura 2005） “相反，评估模型性能通常需要结合指标，包括但不限于RMSE和MAE，”（Chai和Draxler，2014年）-相关论文

  3. 所属分类：其它

    • 发布日期：2021-01-30
    • 文件大小：8388608
    • 提供者：weixin_42150360
« 12 3 4 5 6 »