pkl-源码

什么是CodeIgniter CodeIgniter是一个应用程序开发框架-一个工具包-适用于使用PHP构建网站的人们。 它的目标是通过提供一组用于执行常见任务的库以及一个简单的界面和逻辑结构来访问这些库，从而使您比从头开始编写代码时更快地开发项目。 CodeIgniter使您可以最大限度地减少给定任务所需的代码量，从而创造性地专注于您的项目。 发布信息 此存储库包含将来版本的开发中代码。 要下载最新的稳定版本，请访问页面。 变更日志和新功能 您可以在 找到每个版本的所有更改的列表。 服务器要求 建议使用PHP 5.6或更高版本。 它也应该在5.3.7上运行，但是我们强烈建议您不要运行此类旧版本PHP，因为这可能会导致安全性和性能问题以及缺少的功能。 安装 请参阅《 CodeIgniter用户指南》的。 执照 请参阅。 资源 向我们的或通过我们上的报告安全问题，谢谢。 致谢 CodeI

DSC180B-NER-项目-源码

DSC180B-NER-项目 该项目专注于使用BBC新闻数据集进行文档分类的任务。 我们将实现各种分类模型并比较结果，以了解每种方法的优缺点。 使用的数据集 环境要求 请使用littlestone111/dsc180b-ner-project映像： littlestone111/dsc180b-ner-project 跑 $ launch-180.sh -i littlestone111/dsc180b-ner-project -G [group] $ python run.py [test] [eda] $ python run.py test将在小型测试数据集上构建Bag-Of-Word和Tf-Idf模型，并将模型保存到model文件夹中。 BoG_model.pkl ：单词袋模型的参数。 Tfidf_model.pkl ：Tf-Idf模型的参数。 小组成员 雷切尔·翁（Rache

Guess-the-Artist-源码

猜艺术家 该项目根据歌曲中引入的特定参数来检测歌曲的艺术家。 项目说明 1。 项目组成 1. EDA 2.机器学习模型 3. REST API（烧瓶） 项目结构 |- app.py |- Dockerfile |- ML_model |-- data.cs |-- model.pkl |-- model.py |- base.html |- home.html |- index.html |- predict.html |- requirements.txt - README.md

Mau-coba-projekan：Projek PKL Untuk Prodi Tercinta-源码

什么是CodeIgniter CodeIgniter是一个应用程序开发框架-一个工具包-适用于使用PHP构建网站的人们。 它的目标是通过提供一组用于执行常见任务的库以及一个简单的界面和逻辑结构来访问这些库，从而使您比从头开始编写代码时更快地开发项目。 CodeIgniter使您可以最大限度地减少给定任务所需的代码量，从而创造性地专注于您的项目。 发布信息 此存储库包含将来版本的开发中代码。 要下载最新的稳定版本，请访问页面。 变更日志和新功能 您可以在 找到每个版本的所有更改的列表。 服务器要求 建议使用PHP 5.6或更高版本。 它也应该在5.3.7上运行，但是我们强烈建议您不要运行旧版本PHP，因为这可能会导致安全性和性能问题以及缺少功能。 安装 请参阅《 CodeIgniter用户指南》的。 执照 请参阅。 资源 向我们的或通过我们上的报告安全问题，谢谢。 致谢 CodeIgni

灾害响应管道项目-源码

灾害响应管道项目 项目动机 在这个项目中，我将运用在数据工程部分学到的技能来分析图8中的灾难数据，以建立用于对灾难消息进行分类的API模型。 指示： 在项目的根目录中运行以下命令来设置数据库和模型。 运行ETL管道以清理数据并将其存储在数据库中python data/process_data.py data/disaster_messages.csv data/disaster_categories.csv data/DisasterResponse.db 运行用于训练分类器并保存python models/train_classifier.py data/DisasterResponse.db models/classifier.pkl ML管道 （如果DisasterResponse.db和classifier.pkl已经存在，则直接运行run.py。） 在应用程序目录中运行以

灾难响应管道：Udacity纳米度的第二个项目-Datascience-源码

灾害响应管道项目 Github仓库 指示： 在项目的根目录中运行以下命令来设置数据库和模型。 运行ETL管道以清理数据并将其存储在数据库中python data/process_data.py data/disaster_messages.csv data/disaster_categories.csv data/DisasterResponse.db 运行用于训练分类器并保存python models/train_classifier.py data/DisasterResponse.db models/classifier.pkl ML管道 在应用程序目录中运行以下命令以运行您的Web应用程序。 python run.py 转到 图书馆： python = 3.6.12 numpy的= 1.12.1 熊猫= 0.23.3 地= 4.14.3 scikit-learn

vizAI:可视化Avanade 4的可解释AI-源码

可视化 可视化可解释的AI 概括 入门 这些说明将为您提供在本地计算机上运行并运行的项目的副本，以进行开发和测试。 如果您只想使用我们的项目，请访问项目网站。 通读information.txt文件以获取有关使用网站的帮助。 前提条件和安装 要安装该网站并在您自己的系统上进行设置，请查看重新部署指南。 运行测试 从“最终测试数据”示例之一中下载model.pkl，x_train.pkl，x_test.pkl，y_train.pkl，y_test.pkl文件。 将文件上传到要求它们的网站，然后单击“生成说明图” 建于 用于行为准则 -用于选择许可证 用于说明 贡献 请阅读以获取有关我们的行为准则以及向我们提交请求请求的过程的详细信息。 作者 Dylan Hoi - UI设计师，研究员，测试 朱利安·波波夫斯基（ Julian Popovski） -团队负责人，项目合作伙伴联络，程序员- J

C力-源码

先决条件 您必须安装Scikit Learn，Pandas（用于机器学习模型）和Flask（用于API）。 项目结构 model.py-包含用于我们的机器学习模型的代码，该代码可根据yahoo Finance等“ BTC-USD.csv”等文件中的过去训练数据执行库存预测，以快速进行原型制作。 app.py-包含Flask API，它们通过GUI或API调用接收员工详细信息，根据我们的模型计算推定值并返回。 模板-此文件夹包含HTML模板，允许用户输入员工详细信息并显示预计的员工薪水。 运行项目 确保您在项目主目录中。 通过运行以下命令来创建机器学习模型- python model.py, eth_model, etc... 这会将我们模型的序列化版本创建到文件model.pkl中 使用以下命令运行app.py以启动Flask API python app.py 最终的输出是HER

deploy_dataScienceModel_docker_flask：使用flask和docker部署数据科学模型-源码

deploy_dataScienceModel_docker_flask 如何使用项目： 在您的计算机中1-install docker和docker-compose（google） 2-拉项目（ Web存储库和docker-compose.xml文件必须位于同一目录中） 3-运行docker命令： docker-compos build ， docker-compose up -d 4-从网址127.0.0.1:5000获取您的预测（或者从另一个服务器可以ping您的IP地址） 注意： 此处的目标是部署模型而不是构建模型，假定已知道构建阶段（jupyter笔记本），在此项目中，模型以pkl格式保存（linear_regression_model.pkl）

Disaster-Message-Categorization-源码

灾害响应管道项目 指示： 在项目的根目录中运行以下命令来设置数据库和模型。 运行ETL管道以清理数据并将其存储在数据库中python data/process_data.py data/disaster_messages.csv data/disaster_categories.csv data/DisasterResponse.db 运行用于训练分类器并保存python models/train_classifier.py data/DisasterResponse.db models/classifier.pkl ML管道 在应用程序目录中运行以下命令以运行您的Web应用程序。 python run.py 转到

Disaster_Response_Text_classification:Udacity纳米度灾难响应文本分类项目。 此回购协议有助于将灾难期间收到的文本分类为适当的类别，以便相关部门Swift做出响应-源码

灾难响应管道项目-（文本分类器-Udacity纳米学位计划） 该项目的目标是对短信进行分类，以帮助应对灾害 ·· 灾害响应管道项目 该项目适用于Udacity纳米学位课程。 它将文本消息分类为36个不同的变量。 快速说明： 在项目的根目录中运行以下命令来设置数据库和模型。 运行ETL管道以清理数据并将其存储在数据库中python data/process_data.py data/disaster_messages.csv data/disaster_categories.csv data/DisasterResponse.db 运行用于训练分类器并保存python models/train_classifier.py data/DisasterResponse.db models/classifier.pkl ML管道 在应用程序目录中运行以下命令以运行您的Web应用程序。 py

salary-prediction:使用Flask Web框架部署线性回归模型-源码

薪水预测-烧瓶部署 这是一个演示项目，用于详细说明如何使用Flask API在生产环境中部署机器学习模型 先决条件 您必须安装Scikit Learn，Pandas（用于机器学习模型）和Flask（用于API）。 项目结构 该项目包括四个主要部分： model.py-这包含我们的机器学习模型的代码，以预测hiring.csv文件中训练型数据上缺少的员工薪水。 app.py-包含Flask API，这些API通过GUI接收员工详细信息，根据我们的模型计算推定值并返回。 模板-此文件夹包含HTML模板，允许用户输入员工详细信息并显示预测的员工薪水。 运行项目 确保您在项目主目录中。 通过运行以下命令来创建机器学习模型- python model.py 这会将我们模型的序列化版本创建到文件model.pkl中 使用以下命令运行app.py以启动Flask API python app.

predict-bitcoin-by-ML-源码

通过ML预测比特币 该项目的目的是通过机器学习来预测比特币的价格走势。一般过程如下： 1. download_data.py 这部分用于下载历史每月比特币价格数据。请注意，在继续下载数据包或交换数据时会遇到一些问题，这会限制您的通话频率。但是不用担心。程序会以一定频率将数据输出到工作目录中的.pkl文件。每次程序因“超时”错误而终止时，您只需要重新启动程序并将变量“ last_year”更改为上次停止的年份即可（换句话说，您可以看到工作目录并使用最小的年份） .pkl文件中的“ last_year”）。 2. generate_resampled_data.py 这部分涉及文章机器学习算法的合集，该机器学习算法用不同的数据重采样方法进行加密货币投资。通过重新采样并汇总几个连续的条形图，它将原始条形图数据转换为新的条形图。重新采样基于累积的绝对百分比变化。也就是说，我们从一个柱线开始到随

ETL管道-源码

ETL管道 灾害响应管道项目 说明：在项目的根目录中运行以下命令来设置数据库和模型。 运行用于清理数据并将其存储在数据库中的ETL管道python data / process_data.py data / disaster_messages.csv data / disaster_categories.csv data / DisasterResponse.db运行用于训练分类器并保存python模型的ML管道/train_classifier.py data / DisasterResponse .db models / classifier.pkl在应用程序目录中运行以下命令以运行Web应用程序。 python run.py 转到

灾害React堆-源码

灾害响应管道项目 说明： 在项目的根目录中运行以下命令来设置数据库和模型。 运行ETL管道以清理数据并将其存储在数据库中python data/process_data.py data/disaster_messages.csv data/disaster_categories.csv data/DisasterResponse.db 运行用于训练分类器并保存python models/train_classifier.py data/DisasterResponse.db models/classifier.pkl ML管道 在应用程序目录中运行以下命令以运行您的Web应用程序。 python run.py 转到

灾害响应管道-源码

灾害响应管道项目 灾难响应管道是一种NLP机器学习算法，可提取和处理紧急响应服务收到的帮助消息。 这些消息然后按消息内容分类，并显示在方便使用的Web应用程序中。 使用说明 在项目的根目录中运行以下命令来设置数据库和模型。 运行ETL管道以清理数据并将其存储在数据库中python data/process_data.py data/disaster_messages.csv data/disaster_categories.csv data/DisasterResponse.db 运行用于训练分类器并保存python models/train_classifier.py data/DisasterResponse.db models/classifier.pkl ML管道 在应用程序目录中运行以下命令以运行您的Web应用程序。 python run.py 转到 发牌 该项目是Udac

Disaster-Response-Pipelines:机器学习+熊猫+ SQL-源码

灾难响应管道 在这个项目中，有监督的机器学习是通过大型标签数据库实现的。 目录 操作说明 在项目的根目录中运行以下命令来设置数据库和模型。 运行ETL管道以清理数据并将其存储在数据库中python data/process_data.py data/disaster_messages.csv data/disaster_categories.csv data/DisasterResponse.db 运行用于训练分类器并保存python models/train_classifier.py data/DisasterResponse.db models/classifier.pkl ML管道 在应用程序目录中运行以下命令以运行您的Web应用程序。 cd /home/workspace/app python run.py 转到 项目原理 该数据集包含30,000条消息，这些消息来自以下事

借贷俱乐部-源码

借贷俱乐部项目 该项目使用Lending Club负载数据集（ ）来预测会员的利率。 要运行该项目，请在计算机上打开一个终端，转到此文件的目录，然后输入python lc_main.py 。 然后，您将获得“岭回归”和“梯度增强”的结果。 Lending Club数据集应位于data文件夹中。 最终模型以.pkl格式存储在model文件夹中。

voxel_rcnn-源码

新闻：我们发布了代码库v0.10.0。 在最近的 2020第五届AI驾驶奥运会赛中，我们获得了最佳PKL奖和多模式进入第二名，仅获得最佳视觉效果。代码和模型即将发布！ 文档： : 介绍 master分支可与PyTorch 1.3至1.6一起使用。 MMDetection3D是一个基于PyTorch的开源对象检测工具箱，面向用于通用3D检测的下一代平台。它是MMLab开发的OpenMMLab项目的。 主要特点 开箱即用地支持多模态/单模态检测器 它直接支持多模态/单模态检测器，包括MVXNet，VoteNet，PointPillars等。 支持开箱即用的室内/室外3D检测 它直接支持流行的室内和室外3D检测数据集，包括ScanNet，SUNRGB-D，Waymo，nuScenes，Lyft和KITTI。对于nuScenes数据集，我们还支持。 与2D检测自然融合 支持的所有大约50多种