FakeNews_Detection 假新闻检测器通过使用“ doc2vec”模型学习美国新闻的模式来建立分类器 假新闻检测 概述 社交媒体上的虚假新闻检测主题最近引起了极大的关注。 比较网站与带有标签的假新闻来源列表的基本对策是不灵活的，因此需要一种机器学习方法。 我们的项目旨在基于新闻文章的文本内容，使用自然语言处理技术直接检测虚假新闻。 问题定义 开发机器学习程序，以识别新闻源何时可能产生虚假新闻。 我们的目标是使用带有标签的真实和伪造的新文章语料库来构建分类器，该分类器可以根据语料库中的内容做出有关信息的决策。 该模型将重点根据来自某个来源的多篇文章来识别假新闻来源。 一旦某个来源被标记为虚假新闻的产生者，我们就可以高度肯定地预测该来源未来的任何文章也将是虚假新闻。 专注于来源扩大了我们对文章分类错误的容忍度，因为我们将从每个来源获得多个数据点。 该项目的预期应用是用于在社交媒

聊天机器人 使用康奈尔电影对话数据集的聊天机器人。 假设对话是问题，然后是模型的输出。 主要使用2层LSTM，一层是编码器，另一层是解码器。 40个纪元后，准确性为70％ 这是与机器人进行对话的示例： ！[替代文字]（ ）

瑞金医院MMC人工智能辅助内置知识图谱大赛（第一赛季） :warning:由于可能存在的版权问题，请自行联系大赛主办方索要数据，在问题中索要数据的请求将不再回复，谢谢！ :light_bulb: github对.ipynb渲染效果不是很好，代码建议通过查看。 复赛代码见 背景 本次大赛逐步通过糖尿病相关的教科书，研究论文来做糖尿病文献挖掘和发展糖尿病知识图谱。 初赛赛题在学术论文和临床指南的基础上，做实体的标注。实体类别共十五类。 类别名称和实体定义： 实体类型 标注名称 说明 疾病名称 疾病 如I型糖尿病 病因 原因 疾病的成因，危险因素及机制。某些“糖尿病是由于糖尿病抵抗导致”，胰岛素抵抗是属于病因 临床表现 症状 包

SAN SAN库 这是进行的代码版本 caffe版本位于目录“ caffe”中。 代码的详细信息在“ caffe”目录中的README.md中进行了描述。 注意，本文中SAN的性能是通过Caffe框架的代码实现的。 pytorch版本位于目录“ pytorch”中。 我们已经在PyTorch 0.3.1版本上发布了版本测试。 代码的详细信息在“ pytorch”目录中的README.md中进行了描述。 引文 如果您使用此代码进行研究，请考虑引用： @InProceedings{Cao_2018_CVPR, author = {Cao, Zhangjie and Long, Mingsheng and Wang, Jianmin and Jordan, Michael I.}, title = {Partial Transfer Learning Wit

假新闻 :newspaper: 使用Python分类WebApp Sourcerer 用法：- 克隆我的存储库。 在工作目录中打开CMD。 运行pip install -r requirements.txt 在任何IDE（Pycharm或VSCode）中打开项目 运行Fake_News_Det.py ，转到http://127.0.0.1:5000/ 如果要通过一些更改来构建模型，则可以检查Fake_News_Detection.ipynb 。 您可以检查网络应用程序是否正常运行。 有时预测可能是错误的。 屏幕截图 笔记 该项目仅用于学习目的，不要认为它可以实时工作，因为模型是在历史和有限的数据上进行训练的。 对于这种系统的实时构建，我们需要更新的数据集，并且需要在特定的时间间隔内构建模型，因为新闻数据可以在几秒钟内更新，因此我们的模型也应该使用该数据进行更新。 随便 :index_pointing_up: 我和星星 :star:

高级综合-用遗传算法求解TSP。 关于该项目 该存储库包括遗传算法的实现，该算法解决了高级综合的旅行商问题。 该项目的执行目的是针对DUTh第9学期的高级综合课程的硬件设计。 该存储库包含2个分支： 软件：包含可以在任何IDE中本地运行的开发的C ++代码。 硬件：包含针对Catapult HLS工具进行了调整的开发的C ++代码。 除了随机图之外，还可以对斯坦福大学创建的SGB128（北美城市）数据集进行测试。 要显示解决方案，请运行笔记本。 贡献 贡献使开源社区成为了一个很棒的地方，可以成为学习，启发和创造的地方。 遵循以下步骤做出贡献： 分叉项目 创建功能分支（ git checkout -b new_branch_name ） 提交您的更改（ git commit -m 'Add some extra functionality' ） 推送到分支（ git push

糖尿病风险预测

本篇博客tensorflow1.7,整个项目源码： 引言 本次博客将分享Udacity无人驾驶纳米学位的另一个项目，交通标志的识别。 本次项目实现主要采用CNN卷积神经网络，具体的网络结构参考Lecun提出的LeNet结构。参考文献： 项目流程图 本项目的实现流程如下所示： 代码实现及解释 接下来我们就按照项目流程图来逐块实现,本项目数据集： 如果打不开，则有备用链接： #import important packages/libraries import numpy as np import tensorflow as tf import pickle import matplotlib.pyplot as plt import random import csv from sklearn.utils import shuffle from tensorflow.contrib.laye

二手车价格预测得分：91％ 数据清理，数据可视化，数据预处理，ML模型（LR，DT，RF，GBR，KNN，SVM，XGBR，TENSORFLOW），PCA，LDA，度量标准（R Square，MSE，RMSE，MAE）

基于情绪分析的股价预测 -项目状态：[有效] 项目介绍/目标 该项目的目的是能够利用当天的市场情绪和LSTM预测来有效地预测股票价格。 某一天的市场情绪似乎存在，该是根据每天收集的与涉及我们正在考虑其股票的公司（Facebook，Apple，Amazon，Netflix，Google和Tesla）有关的Twitter评论计算得出的。 这意味着LSTM和ARMIA预测中的差异可以通过从twitter注释中计算出的情绪来说明。 该项目旨在验证这些发现。 使用方法 机器学习 数据可视化 预测建模 技术领域 Python 画面 熊猫，jupyter，NumPy，TensorFlow，SpaCy，sklearn 项目描述 在我们，我们证明了ARMIA预测与FAANG公司（如Facebook，Apple，Amazon，Netflix，Google和Tesla）的实际股价（出于个人利益）的差异可以由每