实用机器学习

Feature_Engineering_for_Machine_Learning

Feature Engineering for Machine Learning, for kindle. epub

feature-engineering-for-machine-learning:在线课程“机器学习功能工程”的代码存储库

机器学习的特征工程-代码存储库 在线课程代码存储库 发布于2017年11月，最后更新于2020年12月 目录 简介：变量类型 数值变量：离散和连续 分类变量：标称和序数 日期时间变量 混合变量：字符串和数字 可变特征 缺失数据 基数 类别频率 发行版 离群值 震级 缺少数据插补 均值和中位数插补 任意值估算 尾插补 频繁归类 添加字符串丢失 随机样本插补 添加缺少的指标 用Scikit学习进行插补 使用特征引擎进行归因 多元归因 老鼠 分类变量编码 一种热门编码：简单分类和频繁分类 序数编码：任意和有序 目标均值编码 证据权重 机率 稀有标签编码 使用Scikit学习进行编码 使用功能引擎编码 使用类别编码器编码 变量变换 日志，功率和倒数 Box-Cox 约翰逊 使用Scikit学习进行转型 使用特征引擎进行转换 离散化 随意的 等频离散化 等宽离散 K-均值离散化 树木离散化 使用S

Feature Engineering for Machine Learning and Data Analytics 无水印原版pdf

Feature Engineering for Machine Learning and Data Analytics 英文无水印原版pdf pdf所有页面使用FoxitReader、PDF-XChangeViewer、SumatraPDF和Firefox测试都可以打开 本资源转载自网络，如有侵权，请联系上传者或csdn删除 查看此书详细信息请在美国亚马逊官网搜索此书

Feature Engineering for Machine Learning_Principl

数据挖掘里面提特征的一些原则和方法，很有用，英文英文

Feature Engineering for Machine Learning - Alice Zheng

Feature Engineering for Machine Learning - Principles and Techniques for Data Scientists Alice Zheng and Amanda Casari

Feature Engineering for Machine Learning_Principles and Techniques

Feature Engineering for Machine Learning_Principles and Techniques for Data Scientists(2018.03).A4

Feature Engineering for Machine Learning

Feature Engineering for Machine Learning_Principles and Techniques for Data Scientists(2018.03).A4

Feature_Engineering_for_Machine_Learning.epub

高清带目录Feature_Engineering_for_Machine_Learning.epub，完整版本，特征工程， Alice Zheng

Practical.Machine.Learning.with.Python

Master the essential skills needed to recognize and solve complex problems with machine learning and deep learning. Using real-world examples that leverage the popular Python machine learning ...

R.Machine.Learning.Essentials.178398774X

You will start off by getting an introduction to what machine learning is, along with some examples to demonstrate the importance in understanding the basic ideas of machine learning. This book will ...

完整车牌号识别程序，可以识别车牌和颜色，可以集成到项目中 支持win7+

基于.Net开发车牌号识别程序，通过控制台输出结果，可以通过启动参数传入地址，集成到项目中。 使用介绍：https://blog.csdn.net/billyyi/article/details/138597795

ChatGPT教程（终极版）最全整理

这是一篇动了某些人利益的良心教程。 这是一篇姗姗来迟的ChatGPT教程。 纯小白关于ChatGPT入门，你看我这篇文章就够了。 如果你已经用上了ChatGPT，更要恭喜你挖到宝藏，后面的高级技巧一定能让你有收获。 文章包含以下内容： 一、ChatGPT是啥？有什么用； 二、ChatGPT如何注册； 三、ChatGPT使用方法； 四、用ChatGPT搞钱； 五、高级技巧；

博客中Kmeans以及FCM算法数据（免积分）

博客中Kmeans以及FCM算法的数据，包括IRIS鸢尾花数据集、Wine葡萄酒数据集、Seed小麦种子数据集、glass数据集、WDBD乳腺癌数据集，下载在直接存入项目文件夹即可，如果下载不了，可以私信我，看到后会及时回复。

Chatgpt 4omni 发布 GPT 4o / chatgpt-4 桌面版 chchatgpt 4 下载 / darkgpt

### ChatGPT 4.0 发布及其桌面版、下载信息 #### 1. 背景介绍 OpenAI近期发布了ChatGPT 4.0，简称GPT-4，是其最新一代的语言模型。相比前代，GPT-4在自然语言处理和生成方面表现出色，具有更强的理解和生成能力，能够处理更复杂和多样化的任务。 #### 2. ChatGPT 4.0 的主要特点 1. **增强的理解能力**：GPT-4对上下文的理解和推理能力更强，能够更准确地回答问题和生成自然语言文本。 2. **更高的生成质量**：生成的文本更加连贯、流畅，减少了重复和无意义的内容。 3. **多任务处理**：能够同时处理多种类型的任务，包括对话生成、文本翻译、摘要生成、代码编写等。 4. **可控性和定制性**：提供更多控制选项，用户可以根据需求调整生成文本的风格和内容。 #### 3. ChatGPT 4.0 桌面版 为满足用户的多样化需求，OpenAI发布了ChatGPT 4.0的桌面版应用程序，支持Windows、macOS和Linux操作系统。 ##### 主要功能： - **离线模式**：部分功能支持离线使用，提供更高

神经网络回归预测--气温数据集

神经网络回归预测--气温数据集

hugging face的models-openai-clip-vit-large-patch14文件夹

用于无法访问hugging face并需要运行stable-diffusion-webui时使用

XGBoost+LightGBM+LSTM-光伏发电量预测

包含比赛代码、数据、训练后的神经网络模型等。 在分析光伏发电原理的基础上，论证了辐照度、光伏板工作温度等影响光伏输出功率的因素，通过实时监测的光伏板运行状态参数和气象参数建立预测模型，预估光伏电站瞬时发电量，根据光伏电站DCS系统提供的实际发电量数据进行对比分析，验证模型的实际应用价值。 1 数据探索与数据预处理 1.1 赛题回顾 1.2 数据探索性分析与异常值处理 1.3 相关性分析 2 特征工程 2.1 光伏发电领域特征 2.2 高阶环境特征 3 模型构建与调试 3.1 预测模型整体结构 3.2 基于LightGBM与XGBoost的构建与调试 3.3 基于LSTM的模型构建与调试 3.4 模型融合与总结 4 总结与展望 参考文献

Mathwork+Matlab+编程手册

Introduction to Programming with MATLAB ~ Vanderbilt University

中文短信数据集-带标签

本数据集可用于进行文本分类、信息检索等自然语言处理实验，共包含80万条短信。其中：原始数据集data.txt每行为1条短信，格式为“标签\t短信内容”，标签=0表示正常短信，标签=1表示垃圾短信。train.csv和test.csv为拆分后的训练集与测试集，拆分代码为train_test_split.py。stopwords.txt为使用的停用词。 基于该数据集的文本分类详见文章https://blog.csdn.net/baidu_40395808/article/details/135793836，基于该数据集的信息检索详见文章https://blog.csdn.net/baidu_40395808/article/details/135897480。 示例如下： 0 商业秘密的秘密性那是维系其商业价值和垄断地位的前提条件之一 1 《依林美容》三．八．女人节倾情大放送活动开始啦！！！！超值套餐等你拿，活动时间x月x日一x月xx日， 详情进店咨询。美丽热线x

时间序列预测模型实战案例(Xgboost)(Python)(机器学习)包括时间序列预测和时间序列分类，点击即可运行！

内容概要 资源包括三部分(时间序列预测部分和时间序列分类部分和所需的测试数据集全部包含在内) 在本次实战案例中，我们将使用Xgboost算法进行时间序列预测。Xgboost是一种强大的梯度提升树算法，适用于各种机器学习任务，它最初主要用于解决分类问题，在此基础上也可以应用于时间序列预测。 时间序列预测是通过分析过去的数据模式来预测未来的数值趋势。它在许多领域中都有广泛的应用，包括金融、天气预报、股票市场等。我们将使用Python编程语言来实现这个案例。 其中包括模型训练部分和保存部分，可以将模型保存到本地，一旦我们完成了模型的训练，我们可以使用它来进行预测。我们将选择合适的输入特征，并根据模型的预测结果来生成未来的数值序列。最后，我们会将预测结果与实际观测值进行对比，评估模型的准确性和性能。 适合人群：时间序列预测的学习者,机器学习的学习者， 能学到什么：本模型能够让你对机器学习和时间序列预测有一个清楚的了解，其中还包括数据分析部分和特征工程的代码操作 阅读建议：大家可以仔细阅读代码部分，其中包括每一步的注释帮助读者进行理解，其中涉及到的知识有数据分析部分和特征工程的代码操作。

Stable-Diffusion WEBUI 简体中文语言包（2023.05.30更新）

AI绘图，Stable-Diffusion WEBUI，本地化（简体中文）语言文件。 原始文件来自翻译插件，根据自己实际使用情况，增加和修改了一些翻译。 配合【双语插件】看上去要自然一点，内容还在继续完善中。 本次增加了一些翻译内容，特别是插件。 同时继续合并了其它翻译插件的内容。 最近文字提示修改得有点多啊。 请放入“你的SDWebUI项目位置/localizations/”中。 中文翻译部分删掉了不少括起来的英文原文，所以别直接选它用。 请配合【Bilingual Localization】插件使用，双语同时显示，效果最好。

亚博K210模型训练部署

亚博K210模型训练部署

机器学习期末复习题及答案

机器学习期末复习题及答案