Python机器学习实践：测试驱动的开发方法

《Python机器学习及实践从零开始通往Kaggle竞赛之路》，代码（基于pycharm的py3实现）、数据集

《Python机器学习及实践从零开始通往Kaggle竞赛之路》，代码（基于pycharm的py3实现）、数据集

Python机器学习及实践从零开始通往Kaggle竞赛之路.zip

Python机器学习及实践从零开始通往Kaggle竞赛之路.zip

python机器学习及实践-从零开始通往kaggle竞赛之路-代码合集.zip

这是我读《python机器学习及实践-从零开始通往kaggle竞赛之路》时自己写的代码，包括了3.2节之前的所有代码，详见www.xxy.ink/467.html，相对于书中代码略有改动，比如分类加入了混淆矩阵、修改了书中报错的部分等，...

Python机器学习及实践从零开始通往Kaggle竞赛之路（学习资料）.zip

【资源说明】 ...2、本项目适合作为计算机、数学、电子信息等专业的竞赛项目学习资料，作为参考学习借鉴。 3、本资源作为“参考资料”如果需要实现其他功能，需要能看懂代码，并且热爱钻研，自行调试。

人工智能项目资料-Python机器学习及实践从零开始通往Kaggle竞赛之路.zip

更有深度学习、机器学习、自然语言处理和计算机视觉的实战项目源码，助您从理论走向实践，如果您已有一定基础，您可以基于这些源码进行修改和扩展，实现更多功能。 【期待与您同行】 我们真诚地邀请您下载并使用...

DIY_ML_Systems_with_Python_2nd_Edition:《 Python机器学习及实践：从零开始进行Kaggle竞赛之路（第二版）》开源数据和代码

《 Python机器学习及实践：从零开始创造Kaggle竞赛之路（第2版）》开源数据和代码本书的数据集，工具和代码：DIY_ML_Systems_with_Python_2nd_Edition第二版概要： 《 Python机器学习实践（第二版）》一书适合所有对...

《Python机器学习及实践：从零开始通往Kaggle竞赛之路》第1章 简介篇 学习笔记（二）1.4Python编程基础总结

1.4Python编程基础 1、Python基本语法 （1）一段正确运行的Python代码 （2）一段错误运行的代码 （3）小结 2、Python数据类型 （1）数字（Number） （2）布尔值（Boolean） （3）字符串（String） （4）元组（Tuple...

leetcode题库-TechFlow:机器学习、算法数据结构、Python、分布式、数学基础，学习指南

算法相关，从零开始。目前主要是Python、机器学习、算法和数据结构、数学和一些分布式相关，和少量我个人感兴趣（golang）的内容。以后会有TensorFlow、Pytorch、深度学习、Kaggle比赛等内容加入。 我的初衷就是写出...

基于Python实现的猫狗分类识别系统【100011201】

基于Python语言和任意一种深度学习框架（实验指导书中使用Pytorch框架进行介绍），从零开始一步步完成数据读取、网络构建、模型训练和模型测试等过程，最终实现一个可以进行猫狗图像分类的分类器。 考虑到同学们...

Machine-Learning-for-Finance:Packt出版的《金融机器学习》

金融机器学习这是发布的《 的代码...第1章-从零开始的神经网络从Scratch＆Intro到Keras的神经网络： ， 练习excel表格：第2章-结构化数据信用卡欺诈检测：，第3章-计算机视觉构建基块MNIST数字分类：在Kaggle上运行，

Machine-learning-PCA-and-Bayesian-Classification-on-Radiology-X-ray-Images:Python中的X射线图像处理和分类（从零开始）

机器学习PCA和放射学X射线图像上的贝叶斯分类Python中的X射线图像处理和分类（从头开始）主成分分析（用于降维和特征提取）贝叶斯分类器（多元高斯）直方图分类器。 要做的步骤：从Kaggle下载数据。 将图像调整为...

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。

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

机器学习期末复习题及答案

机器学习期末复习题及答案

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

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

衣服数据集-四个独立的压缩文件

衣服数据集-四个独立的压缩文件

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

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

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。

亚博K210模型训练部署

亚博K210模型训练部署

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。

Plecs电力电子仿真PLECS41.64 电力系统仿真软件免安装版本

超级容易学习的电力电子仿真软件。 PLECS是一个用于电路和控制结合的多功能仿真软件，尤其适用于电力电子和传动系统。 对于仿真Buck电路，Boost电路，单相整流电路，单相逆变电路，三相整流电路，三相逆变电路，LLC电路等都能够完美实现。并且能够直接使用C语言进行编程仿真，让代码直接写完以后完整运行到控制板中。 Plecs主要解决了Matlab Simulink仿真速度很慢，学习过程复杂和困难等问题。 Plexim在电力电子仿真领域处于世界领先地位。首要软件产品PLECS可以协助用户加快产品开发和创新流程。其优势来源于先进的编程技术，以及融合了非常规建模概念的仿真算法。通过认真听取工程师的需求和建议，我们能够为客户的今天和未来提供满意的解决方案。 从2002年开始，PLECS已经在众多工业领域成为电力电子仿真的标准。典型应用涵盖新能源，车辆电子，航空航天，工业及牵引驱动等。

基于线性回归以及支持向量机对汽车MPG与自重进行回归预测.zip

基于线性回归以及支持向量机对汽车MPG与自重进行回归预测.zip

B题 风力发电系统的建模与优化设计.doc

风，是由空气流动引起的一种自然现象。从科学的角度来看，风常指空气的水平运动分量，包括方向和大小，即风向和风速；但对于飞行来说，还包括垂直运动分量，即所谓垂直或升降气流。大风可移动物体与物体（物质质量）方向。风的速度很快。风的强度用风速表示，一般采用蒲风级或多少米/秒来衡量，分十三级。 随着可再生能源的快速发展，风力发电成为一种重要的可再生能源形式，近年来得到了广泛应用和发展。风电功率预测技术是指对未来一段时间内风电场所能输出的功率大小进行预测，以便安排调度计划。这是因为风能属于随机波动的不稳定能源，大规模的风电并入系统，必将会对系统的稳定性带来新的挑战。电力生产调度机构需要对未来数小时的风电输出功率有所了解。 为了更好地利用风力资源，提高风电系统的发电效率和可靠性，建立一个准确的风力发电系统的数学模型，并进行优化设计，成为风力发电工程中的重要问题之一。通过分析天气预报数据、测风塔实测数据以及风场发电功率数据，可以建立风功率预测模型，以提高风电场的发电效率和稳定性，从而为能源调度和管理提供有力支持。

基于鲸鱼优化算法优化VMD参数试看效果代码(目标函数为样本熵)

1.采用鲸鱼算法优化VMD分解层数和惩罚系数的MATLAB代码，目标函数根据样本熵计算。直接运行，可以换数据。 2.核心算法加密，有需要请在CSDN联系作者。

Matlab 基于支持向量机(SVM)的数据回归预测 SVM回归

1. Matlab实现支持向量机的数据回归预测（完整源码和数据) 2. 多变量输入，单变量输出，数据回归预测 3. 评价指标包括：R2、MAE、MSE、RMSE 4. 包括拟合效果图和散点图 5. Excel数据，暂无版本限制，推荐2018B及以上版本 注：采用 Libsvm 工具箱（无需安装，可直接运行），仅支持 Windows 64位系统

改进版的yolov5+双目测距

新版本代码特点：（注意目前只适用于2560*720分辨率的双目，其他分辨率需要修改) 1、替换“回”字形查找改为“米”字形查找，可以设置存储像素点的个数20可修改，然后取有效像素点的中位数（个人觉得比平均值更有代表性）。 2、每10帧（约1/3秒）双目匹配一次，提升代码的运行速度。 3、可以进行实时检测，运行速度与机器的性能有关。

基于Python+pytorch的图像处理+附完整代码图像处理，能够轻松实现图像的读取、显示、裁剪等还有机器学习等操作

Python+PyTorch：图像处理界的“瑞士军刀” 在图像处理这个充满魔法的世界里，Python和PyTorch这对黄金搭档，就像一位技艺高超的魔法师和一把无所不能的“瑞士军刀”，总能轻松解决各种看似棘手的难题。它们以高效、灵活和强大的特性，引领着图像处理技术的发展潮流，让无数开发者为之倾倒。Python，这位优雅的魔法师，以其简洁易懂的语法和丰富的库资源，赢得了广大开发者喜爱。无论是数据处理、机器学习还是深度学习，Python都能轻松应对，展现出其无与伦比的魅力。在图像处理领域，Python更是如鱼得水，通过OpenCV、PIL等库，能够轻松实现图像的读取、显示、裁剪、缩放、滤波等操作，让图像在指尖起舞。而PyTorch，这把图像处理界的“瑞士军刀”，则以其灵活性和易用性，成为深度学习领域的翘楚。它拥有强大的自动求导功能，能够轻松构建和训练复杂的神经网络模型。在图像处理中，PyTorch能够助力开发者构建出各种高效的图像识别、分割、生成等模型，让图像焕发出新的生机。想象一下，当你掌握了Python和PyTorch这对黄金搭档，就如同掌握了一把魔法杖和一把瑞士军刀。必然大可作为