深层学习专业吴安（AndrewNg），deeplearning.ia，库拉教学大纲+Course1:NeuralNetworksandDeepLearning第一周第1课：深度学习简介第二周第2课：逻辑回归作为神经网络第3课：Python和向量化实验1：Numpy的Python基础作业1：具有神经网络心态的Logistic回归第三周第4课：浅层神经网络作业2：具有一个隐藏层的平面数据分类第四周讲座5：深度神经网络作业3：逐步建立您的深度神经网络作业4：深度神经网络应用+Course2:ImprovingDeepNeuralNetworks:HyperparameterTuning,RegularizationandOptimization第五周第6课：设置机器学习应用程序第7课：规范化您的神经网络第8
2024/9/26 2:56:01
30.76MB
1
自然语言处理自然语言处理-使用机器学习对IMDB电影评论进行情感分析。
情感分析：这是对通过各种算法定义和分类一段文本所指定的观点或表达的过程的总体定义，以便正面或负面地评估作家或帖子对特定主题的态度。
通常，全球范围内的情绪分析概念也涉及中性意见，但我不会考虑到这一点。
情感分析通常被视为对全球推文的研究。
此外，可以通过人们对电影，产品和公司的看法来进行情感分析。
我将对数据集中的批评进行情绪分析，其中包含对IMDB中电影的批评。
我将尝试显示重要事项的答案，例如我们可以使用哪些分类器，可以达到更高的准确性，可以执行哪种类型的向量转换以及字比对我来说更有用。
要求库版本脾气暴躁的1.18.4熊猫1.0.3Nltk3.4.5斯克莱恩0.23.1方法逻辑回归分类器决策树分类器随机森林分类器K邻居（KNN）分类器TF-IDF矢量化数据集可以从单独下载
情感分析：这是对通过各种算法定义和分类一段文本所指定的观点或表达的过程的总体定义，以便正面或负面地评估作家或帖子对特定主题的态度。
通常，全球范围内的情绪分析概念也涉及中性意见，但我不会考虑到这一点。
情感分析通常被视为对全球推文的研究。
此外，可以通过人们对电影，产品和公司的看法来进行情感分析。
我将对数据集中的批评进行情绪分析，其中包含对IMDB中电影的批评。
我将尝试显示重要事项的答案，例如我们可以使用哪些分类器，可以达到更高的准确性，可以执行哪种类型的向量转换以及字比对我来说更有用。
要求库版本脾气暴躁的1.18.4熊猫1.0.3Nltk3.4.5斯克莱恩0.23.1方法逻辑回归分类器决策树分类器随机森林分类器K邻居（KNN）分类器TF-IDF矢量化数据集可以从单独下载
2024/8/26 9:32:36
390KB
1
机器学习入门到精通50天，python代码编写，1.数据预处理2.简单线性回归3.多元线性回归4.逻辑回归5.k近邻法(k-NN)6.支持向量机(SVM)7.决策树8.随机森林9.K-均值聚类10.层次聚类
2024/7/23 1:49:07
83B
1
提出了一种利用多个图像特征的曝光过度区域检测学习算法。
该算法利用像素的亮度和颜色特征以及光的新特征-色度和边界邻域来构造特征向量。
采用L2正则化的一次逻辑回归方法获得最优分类器mod-e1。
实验结果表明，与直接强度阈值法和其他基于亮度和色彩特征的方法相比，该算法在区域连通性方面能更好地检测出过度曝光区域。
该算法利用像素的亮度和颜色特征以及光的新特征-色度和边界邻域来构造特征向量。
采用L2正则化的一次逻辑回归方法获得最优分类器mod-e1。
实验结果表明，与直接强度阈值法和其他基于亮度和色彩特征的方法相比，该算法在区域连通性方面能更好地检测出过度曝光区域。
2024/5/20 18:55:43
1.15MB
1
数据科学入门，第二版，介绍数据科学基本知识的重量级读本，Google数据科学家作品。
数据科学是一个蓬勃发展、前途无限的行业，有人将数据科学家称为“21世纪头号性感职业”。
本书从零开始讲解数据科学工作，教授数据科学工作所必需的黑客技能，并带领读者熟悉数据科学的核心知识——数学和统计学。
作者选择了功能强大、简单易学的Python语言环境，亲手搭建工具和实现算法，并精心挑选了注释良好、简洁易读的实现范例。
书中涵盖的所有代码和数据都可以在GitHub上下载。
通过阅读本书，你可以： 学到一堂Python速成课；
学习线性代数、统计和概率论的基本方法，了解它们是怎样应用在数据科学中的；
掌握如何收集、探索、清理、转换和操作数据；
深入理解机器学习的基础；
运用k-近邻、朴素贝叶斯、线性回归和逻辑回归、决策树、神经网络和聚类等各种数据模型；
探索推荐系统、自然语言处理、网络分析、MapReduce和数据库。
数据科学是一个蓬勃发展、前途无限的行业，有人将数据科学家称为“21世纪头号性感职业”。
本书从零开始讲解数据科学工作，教授数据科学工作所必需的黑客技能，并带领读者熟悉数据科学的核心知识——数学和统计学。
作者选择了功能强大、简单易学的Python语言环境，亲手搭建工具和实现算法，并精心挑选了注释良好、简洁易读的实现范例。
书中涵盖的所有代码和数据都可以在GitHub上下载。
通过阅读本书，你可以： 学到一堂Python速成课；
学习线性代数、统计和概率论的基本方法，了解它们是怎样应用在数据科学中的；
掌握如何收集、探索、清理、转换和操作数据；
深入理解机器学习的基础；
运用k-近邻、朴素贝叶斯、线性回归和逻辑回归、决策树、神经网络和聚类等各种数据模型；
探索推荐系统、自然语言处理、网络分析、MapReduce和数据库。
2024/3/25 19:37:40
4.65MB
1
COVID个人风险计算器根据您的年龄，性别，种族，症状，健康状况，行为等，计算个人患COVID的风险...风险=（（活动案例中社区的比例）（症状概率）（敏感性））/（归一化因子）请注意，可以从NYTimesCOVID-19github上检索“us-counties.csv”文件。
链接到这里对症状风险的计算是通过对没有COVID和具有COVID的患者的症状报告进行逻辑回归。
ALAMA发表的论文将健康风险纳入了我们的计算器。
链接到这里根据年龄如何影响您的死亡，进入重症监护病房和住院的机会的不同研究，使用指数分布将COVID年龄转换为死亡，重症监护病房和住院的可能性。
社区风险是使用从NYTimesCOVID-19github检索的us-counties.csv文件计算的。
文件每周更新一次。
贡献者团队马凯文-团队负责人/数据科学家TimothyGa
链接到这里对症状风险的计算是通过对没有COVID和具有COVID的患者的症状报告进行逻辑回归。
ALAMA发表的论文将健康风险纳入了我们的计算器。
链接到这里根据年龄如何影响您的死亡，进入重症监护病房和住院的机会的不同研究，使用指数分布将COVID年龄转换为死亡，重症监护病房和住院的可能性。
社区风险是使用从NYTimesCOVID-19github检索的us-counties.csv文件计算的。
文件每周更新一次。
贡献者团队马凯文-团队负责人/数据科学家TimothyGa
2024/3/15 10:15:29
17.53MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB