IMDB_Sentiment_Analysis 鉴于大量的在线评论数据（Amazon，IMDB等），情绪分析变得越来越重要。 在这个项目中，建立了一个情感分类器，用于评估一段文字的极性是正还是负。 情感分析是在Keras随附的IMDB数据集上完成的。 它由25,000个训练样本（其中20％是验证样本）和25,000个测试样本组成。 数据集中的所有单词均已预先标记。 使用自训练的单词嵌入（Keras嵌入层）。 我训练了不同的模型，其中一个模型包含一个LSTM层。 它在10个时元上的准确度为84％。 第二个示例由两组Conv1D和MaxPooling1D图层组成，后面是标准GRU图层。 观察到85％的准确性。 我已经将CuDNN层用于LSTM和GRU，因为它们在GPU上的速度比标准LSTM和GRU层快得多。 所有实现都是使用Keras进行的。 另一个具有RMS Prop精度的示例为84％，而

有毒评论分类挑战笔记本 在其上查看该比赛的详细信息 要求 数据可以从下载一些笔记本使用GloVe预先训练的单词向量。 可以在下载（请注意版本）。 到目前为止，Kaggle得分 RCNN-0.9721 字符级深RCNN-0.9750 Logistic回归+朴素贝叶斯SVM-0.9797 RCNN v2-0.9799 合并的RCNN-0.9837 LG NB-SVM +合并RCNN集成-0.9850 LG NB-SVM + RCNNv3 + CharRCNN集成-0.9855

基于Markov亲和力的细胞图插补（MAGIC） 基于马尔可夫亲和力的细胞图插补（MAGIC）是一种用于对最常应用于单细胞RNA测序数据的高维数据进行去噪的算法。 MAGIC使用结果图对特征进行平滑处理并恢复数据的结构，从而学习流形数据。 要了解如何将MAGIC应用于单细胞RNA序列，阐明上皮到间充质的转变，请阅读的。 MAGIC已在Python，Matlab和R中实现。 要立即开始，请查看我们的教程： Python 骨髓教程 [R 上皮到间质过渡教程 骨髓教程 魔术揭示了波形蛋白（VIM），钙黏着蛋白1（CDH1）和锌指结合E-box的同源盒1（ZEB1，由颜色编码）之间的相互作用。 目录 Python 安装 用pip安装 从GitHub安装 用法 快速开始 讲解 Matlab的Matlab版本的说明 [R 安装 从CRAN安装 从GitHub安装 用法 快速开

kMeans_PCA 在sklearn乳腺癌数据集上包含k-Means和PCA的原始代码

F1_Data_Analysis 多年来F1的数据分析

Walmart-store-sales-prediction-model:创建预测模型以预测沃尔玛商店的销售额

Jupyter笔记本

注意：由于数据源的修改，某些记录可能看起来不完整或与前几天不一致。 ---专用警告--- 以下文件将不再更新。 随着新数据结构的发布，我们将更新时间序列表以反映这些变化。 请参考time_series_covid19_confirmed_global.csv和time_series_covid19_deaths_global.csv以获取最新的时间序列数据。 time_series_19-covid-Confirmed.csv time_series_19-covid-Deaths.csv time_series_19-covid-Recovered.csv

ML菜谱 由@ 5x12制作 信息 ML-Cookbook是一个包含监督学习算法模板的存储库。 如下面的“算法列表”所示，通过回归和分类将算法划分。 如何使用 每种算法均在Jupyter Notebook中按适当的说明分为不同的部分。 除数据输入和输入/目标变量定义外，无需调整任何部分。 请注意，所有算法都以一个数据集为例。 因此，在某些算法中，在这种情况下合适或适当的输入变量和目标变量的质量可能非常低。 算法清单 分类 神经网络分类器 线性支持向量机（LSVM） 逻辑回归 多类别分类 内核支持向量机（SVM） 决策树 朴素贝叶斯分类器 随机森林 回归 神经网络回归器 岭回归 套索回归 多项式回归 线性回归

FER-面部表情识别 这项工作是为了证明以下问题： : 使用卷积神经网络和OpenCV构建了实时面部检测器和情绪分类器。 CNN模型已经过调整，即使在低端设备上也具有出色的性能。 使用说明 按照进行神经网络训练。 文件结构： FER_CNN.ipynb-训练CNN的教程 FER.py-使用预先训练的模型进行推断 model.json-神经网络架构 weights.h5-训练过的模型权重 安装 建议使用Python虚拟环境。 用于模型预测 pip install -r requirements.txt 要么 pip install opencv-python pip instal