时间序列预测调查 该项目的目的是使用新颖的机器学习方法改进对时间序列的预测，并将其向前推进几步，以便更好地预测异常值，例如资产负债表上的异常。 安装 将此存储库克隆或下载到您的计算机。 安装Jupyter Lab（ pip install jupyterlab ）。 cd到存储库的目录。 使用以下命令启动Jupyter Lab： jupyter lab 。 笔记本可以在Jupyter Lab窗口中打开并运行。 所需的数据很轻，因此已经包含在此存储库中。

感应耦合射频等离子体球化过程数值模拟，佟健博，路新，本文利用感应耦合射频等离子体球化系统制备出了TiAl合金球形粉末,并利用数值模拟的方法对球化过程进行了研究。在对等离子体建立耦�

自主车辆的基于预测的GNSS欺骗攻击检测 python中基于预测的自动驾驶汽车GNSS欺骗攻击检测的实验实现更多信息，请参见

NLP医疗保健 使用MIMIC III中的结构化和非结构化数据预测30天ICU再次入院 数据处理 结构化数据 结构化网络的ETL过程可以在结构目录中找到在structured_etl_part1.scala和structured_etl_part2.py 非结构化数据 非结构化数据的所有数据处理脚本都包含在dataproc目录中。 使用data_processing_script.py处理NOTEEVENTS以获取单词向量。 使用get_discharge_summaries.py编写放电汇总 使用build_vocab.py从放电摘要构建vocab。 使用word_embeddings.py在所有单词上训练单词嵌入。 使用extract_wvs.py中的gensim_to_embeddings方法，用我们的vocab编写经过训练的单词嵌入。 造型 结构化网络 在struc_net

乳腺癌检测应用 使用机器学习XGBoost分类器的乳腺癌检测应用程序

乳腺癌预测

基于注意力的深度多实例学习 基于注意力的深度多实例学习可以应用于广泛的医学成像应用。 在项目“ ”@ ，我在 ICML 2018 论文“Attention-based Deep Multiple Instance Learning”（ ）中撰写了Keras版本这个 repo 为 Keras 用户分享解决方案。 可以在找到官方 Pytorch 实现。 我使用Tensorflow后端建造它与Keras。 我编写了论文中描述的注意力层，并在结肠图像中进行了 10 倍交叉验证的实验。 我得到了论文中描述的非常接近的平均准确率，可视化结果如下所示。 部分代码来自 。 在训练模型时，我们只使用图像级标签（0 或 1 以查看它是否是癌症图像）。 注意层可以通过仅呈现积极补丁的一小部分子集来提供对决策的解释。 我的实施结果 数据集 结肠癌数据集 已处理的补丁 我把我处理的数据放在这里，你也可以

Crime-Prediction:客户的犯罪预测，数据集由客户提供

使用PySpark的贷款默认预测 使用Lending Club中包含100万以上行的数据集将贷款预测为违约/非违约 整个项目是在单个群集的Databricks云环境中完成的

matlab分时代码BikeShare预测 使用自行车共享数据预测将预订的自行车数量 CMSC 678-机器学习-2016年秋季-最终项目 学生姓名： Phanindra Kumar Kannaji（pkanna1） Venkata Rami Reddy Bujunuru（bo26494） 项目文件包括以下部分： 数据：自行车每年共享数据和天气数据单个文件，并最终生成带有完整组合数据的.mat文件。 bike_ .csv 天气_ .csv bikeShareData.mat-整个数据 images：不同图的输出，其文件名指示所使用的算法，并在运行时设置参数。 matlab：matlab代码，由我们编写的代码和少量自动生成的代码组成。 幻灯片：我们的演示幻灯片和最终论文。 自述文件和自述文件：* this Matlab代码： dataExtract.m：一种功能，用于从自行车共享数据和天气数据中提取数据，并根据时间以小时为基础将它们组合在一起。 dataCombine.m：这是要合并来自多年的数据，并进行预处理和后处理步骤以对数据进行分类和组织，然后再将其提供