sparks_task1：目标是根据学习时间预测学生的百分比资源-CSDN文库

共1个文件

ipynb：1个

JupyterNotebook

需积分: 5 76 浏览量 2021-02-14 13:45:04 上传评论收藏 42KB ZIP 举报

资源详情

资源评论

收起资源包目录

sparks_task1-main.zip （1个子文件）

sparks_task1-main

sparks supervised.ipynb 64KB

评论收藏

内容反馈

sparks_task1：目标是根据学习时间预测学生的百分比

评论0

最新资源

sparks_task1：目标是根据学习时间预测学生的百分比

评论0

最新资源

相关推荐

任务一-使用监督的机器学习预测：根据编号预测学生的百分比。 学习时间

TASK1:声明-根据编号预测学生的百分比学习时间。 这是一个简单的线性回归任务，因为它仅涉及2个变量。 如果学生每天学习9.25个小时，则预计分数是多少？

任务1 ---使用监督的机器学习的预测：根据编号预测学生的百分比。 学习时间。 这是一个简单的线性回归任务，因为它仅涉及2个变量

SF_Linear_Regression：根据学生学习的小时数来预测其百分比

The_Sparks_Foundation:＃GRIPAPRIL21实习任务1提交

Sparks_Foundation_Tasks:数据科学_机器学习

The_Sparks_Foundation-task1:development_a_basic_banking_system

-RijoyPaul08-THE_SPARKS_FOUNDATION_TASK-1：使用监督ML（线性回归模型）进行预测

TSF-task-1:根据编号预测学生的百分比学习时间

Linear-Regretion:根据编号预测学生的百分比学习时间。 这是一个简单的线性回归任务，因为它仅涉及2个变量。 数据可以在http找到

Prediction-using-Supervised-ML:根据编号预测学生的百分比学习时间。 这是一个简单的线性回归任务，因为它仅涉及2个变量。 数据集链接

SupervisedLearning-sklearn-：根据学习的小时数预测学生百分比。 使用python的sklearn库

TSF实习任务：数据科学与业务分析实习

The_Sparks_Foundation_Tasks:这些是斯帕克斯实习基金会给我的为期一个月的已完成任务

The_Sparks_Foundation_Tasks：此存储库包含我作为The Sparks Foundation的实习生时完成的任务

Task_1_sparks_bank

The_Sparks_Foundation_data_science_and_business_analytics:数据科学和业务分析实习任务

Prediction-using-Supervised-Learning:根据编号预测学生的百分比学习时间。 ●这是一个简单的线性回归任务，因为它仅涉及2个变量

Percentage_Predictor:一个简单的机器学习模型，使用线性回归来根据学习时间来预测学生的百分比

GRIP-Task1-Prediction-using-Supervised-ML:根据编号预测学生获得的百分比。 他们学习了几个小时

supervised_ml:该项目根据编号预测学生的百分比。 学习时间。 这是一个简单的线性回归任务，因为它仅涉及2个变量

GRIP-Linear-Regression-:在此回归任务中，我们将根据学生学习的小时数来预测学生预期得分的百分比。 这是一个简单的线性回归任务，因为它只涉及两个变量

Sparks_Foundataion_Internship_Tasks:数据科学与业务分析任务

GRIP-Sparks-Foundation:使用监督机器学习进行预测

Prediction_using_supervised_ML:这是The Sparks Foundation提供的任务，我曾预测使用监督式ML

The_Sparks_Foundation_data_science_and_business_analytics-Internship

The_Sparks_Foundation_Internship

任务一-使用监督的机器学习预测：根据编号预测学生的百分比。学习时间

TASK1:声明-根据编号预测学生的百分比学习时间。这是一个简单的线性回归任务，因为它仅涉及2个变量。如果学生每天学习9.25个小时，则预计分数是多少？

任务1 ---使用监督的机器学习的预测：根据编号预测学生的百分比。学习时间。这是一个简单的线性回归任务，因为它仅涉及2个变量

Linear-Regretion:根据编号预测学生的百分比学习时间。这是一个简单的线性回归任务，因为它仅涉及2个变量。数据可以在http找到

Prediction-using-Supervised-ML:根据编号预测学生的百分比学习时间。这是一个简单的线性回归任务，因为它仅涉及2个变量。数据集链接

SupervisedLearning-sklearn-：根据学习的小时数预测学生百分比。使用python的sklearn库

GRIP-Task1-Prediction-using-Supervised-ML:根据编号预测学生获得的百分比。他们学习了几个小时

supervised_ml:该项目根据编号预测学生的百分比。学习时间。这是一个简单的线性回归任务，因为它仅涉及2个变量

GRIP-Linear-Regression-:在此回归任务中，我们将根据学生学习的小时数来预测学生预期得分的百分比。这是一个简单的线性回归任务，因为它只涉及两个变量