Intelligent optimization algorithms have advantages in dealing with complex nonlinear problems accompanied by good flexibility and adaptability. In this paper, the FCBF (Fast Correlation-Based Feature selection) method is used to filter irrelevant and redundant features in order to improve the quality of cancer classification. Then, we perform classification based on SVM (Support Vector Machine) optimized by PSO (Particle Swarm Optimization) combined with.ABC (Artificial Bee Colony) approaches,

DeepGO-预测基因本体功能 DeepGO是一种使用蛋白质序列和蛋白质-蛋白质相互作用（PPI）网络预测蛋白质功能的新颖方法。 它使用深度神经网络来学习序列和PPI网络特征，并使用GO类对它进行分层分类。 使用神经符号方法学习PPI网络功能，以学习知识图表示 该存储库包含用于构建和训练DeepGO模型的脚本，以及用于评估模型性能的脚本。 依存关系 要安装python依赖项，请运行：pip install -r requirements.txt 剧本 这些脚本需要OBO格式的GeneOntology。 nn_hierarchical_seq.py-此脚本用于构建和训练仅使用蛋白质序列作为输入的模型。 nn_hierarchical_network.py-此脚本用于构建和训练模型，该模型使用蛋白质的序列和PPI网络嵌入作为输入。 get_data.py，get_functions.p

一个只有64KB的软件，截图都不止64KB。他包含接近5分钟的高清3D视听效果。

此仓库使用腾讯的NCNN框架提供YOLOv5模型的C ++实现。 YOLOv5 NCNN实现此仓库使用腾讯的NCNN框架提供YOLOv5模型的C ++实现。 注意：当前，NCNN不支持带步的切片操作，因此我删除了切片操作，并用缩小的图像替换了输入，然后将其堆叠以匹配通道号。 这可能会稍微降低精度。 萤幕撷取画面，由腾讯的Ultralytics NCNN提供YOLOv5

MachineLearning 机器学习算法代码及个人总结整理，对于算法实现部分，在相应目录中都包含有源码和数据以及测试实例，内容正在不断完善中！如有错误，还望读者指出，非常感谢，若您觉得对你有帮助，可以在右上角给个star哈(#^.^#)。PS:所有代码均符合我们整理出来的这份. Contents 算法部分目前主要包含如下部分： Logistic Regression (二分类): 。包含数据集和源码。 Decision Tree: 决策树，. ROC: 用于绘制ROC曲线，. Naive Bayes：朴素贝叶斯，. K-NearestNeighbor：K最近邻算法，. K-Means均值聚类：. Adaboost组合算法： mRMR特征选择方法， 机器学习算法代码使用汇总， PCA主要成分分析, LDA线性判别分析（Fisher判别）, spark-demo：使用scala编写的s

django-cache-machine：Django 模型的自动缓存和失效通过ORM

机器学习应用于cfd 大纲 贡献者 介绍 该存储库包含有关如何在计算流体动力学（CFD）领域中使用机器学习（ML）算法的示例。 在基于CFD的研究过程中，可以将ML算法应用于不同的步骤： 预处理，例如，用于几何或网格生成 运行时，例如，作为动态边界条件或作为子网格规模模型 后处理，例如，创建替代模型或分析结果 另一种可能的分类是区分机器学习算法的类型，例如 监督学习：算法在给定的特征和标签之间创建映射，例如在卡车的形状和作用在卡车上的拖曳力之间 无监督学习：算法在数据中查找标签，例如，如果两个粒子p1和p2由其表面上的某些点表示（只有点列表，但不知道它们属于哪个粒子），则该算法将为每个点弄清楚它是属于p1还是p2 强化学习：在环境中活动的代理试图最大化（累积）奖励，例如，设置模拟解决方案控制的代理尝试尽快完成模拟，从而学习找到给定集合的优化解决方案控制-up（代理：某些程序修改求解器

spacv ：Python中的空间交叉验证 spacv是一个小型Python 3（3.6及更高版本）软件包，用于模型的交叉验证，该模型评估对具有空间依赖性的数据集的泛化性能。 spacv提供了一个类似spacv的熟悉的API，公开了一套适用于基于点的空间预测任务的工具。 有关用法，请参阅笔记本spacv_guide.ipynb 。 依存关系 numpy matplotlib pandas geopandas shapely scikit-learn scipy 安装及使用 要安装，请使用pip： $ pip install spacv 然后使用sklearn构建快速的空间交叉验证

几乎所有的法律都是用自然语言表达的； 因此，自然语言处理 (NLP) 是大规模理解和预测规律的关键组成部分。 NLP 将非结构化文本转换为计算机可以理解和分析的形式表示。 NLP 和法律的交叉点准备创新，因为 (i.) 越来越多的数字化机器可读法律文本数据存储库，(ii.) 算法和硬件改进驱动的 NLP 方法的进步，以及 (iii. ) 由于当前实践效率低下而提高法律服务有效性的潜力。NLP 是一个很大的领域，与计算机科学相关的许多研究领域一样，它正在Swift发展。 在 NLP 中，本文主要关注统计机器学习技术，因为它们展示了推进文本信息系统的重要前景，并且在可预见的未来可能会相关。首先，我们简要概述了不同类型的法律文本和不同类型的法律文本。机器学习方法来处理这些文本。 我们介绍了将单词和文档表示为数字的核心思想。 然后我们描述了利用法律文本数据来完成任务的 NLP 工具。 在此过程中，我们用斜体定义了重要的 NLP 术语，并提供了示例来说明这些工具的实用性。 我们描述了自动总结内容（情感分析、文本摘要、主题模型、提取属性和关系、文档相关性评分）、预测结果和回答问题的方法。

Python中的卡尔曼滤波器 这是Kalman过滤器如何在Python中工作的基本示例。 我确实计划在将来重构和扩展此存储库。 我一直关注的有关卡尔曼滤波器的系列文章可以在找到。 我正在使用的示例也可以在同一视频中找到。 只需运行： python kalman . py 开始。 应使用传感器和预测值生成图。 真实值（假设未知）为72。