注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. kiml1-源码

  2. 你好呀 :waving_hand: 我在巴西出生和长大，毕业于Embry-Riddle航空大学和韩国科学技术高等研究院（KAIST），并获得了航空工程学学位。 完成了关于数据科学和全栈开发的两个训练营。 专案 一世。 识别医疗保险公司的提供商欺诈· · 开发的机器学习模型可通过预测欺诈性索赔帮助保险公司每年节省100,000美元。 ii。 预测和最大化数据挖掘公司的房屋价值· · 创建了堆叠式机器学习模型，以生成高精度的房地产价格预测并确定增加销售价格的关键功能。 iii。 电子竞技··

  3. 所属分类：其它

  1. House-Price-Predictor:实施了多元线性回归模型来预测房价-源码

  2. 房屋价格预测器 目的和技术：以下程序使用Python ， Matplotlib ， Numpy ， Sympy ， Pandas和sci-kit预测波士顿市的房价。 程序： 提出问题 收集数据 清理数据 探索可能性和相关性 图形化地建模数据 评估功能内的价格 算法：我实现了一个多元线性回归模型来预测房价。这种方法也称为多元回归，是一种统计技术，它使用几个参数变量来预测响应变量的结果。在这种情况下，我从数据集中提取了几个变量，包括房价，犯罪率，年龄，距水的近距离，税收等，以使我的模型更准确。我挑选

  3. 所属分类：其它

  1. calvin-s-project:2018512-源码

  2. 项目清单： 2021/01/11来自贡献 计算机视觉研究-房屋检测中的语义分割（2021） 机器学习组合设计-创业项目（由于机密问题，仅上传了一些代码） •台湾股票网络爬虫，包括财务报告和个人股票报告•ML股票价格预测研究-LSTM，Seq2Seq，注意力，WGAN-GP，WGAN，GAN 有限的训练数据中的NLP姿态检测系统-Factmata UK （由于知识产权，无法上传代码） •通过python包进行可视化，例如降维-tSNE •文本挖掘•半监督学习，BERT，变分自动编码器分类器，数据

  3. 所属分类：其它

  1. modeling_housing_prices:我在训练营中完成的第二个项目-源码

  2. 项目2-艾姆斯住房数据和Kaggle挑战 利用房屋的特征，我将开发一个模型来预测爱荷华州埃姆斯的房屋价格。 知道是在模型中添加还是排除某项功能可以帮助房主确定该功能是否会增加其财产价值以及是否要对其进行投资。 该模型还可以帮助潜在的购房者估算具有其所需所有功能的房屋价格，从而可以确定房屋是否在预算之内。 型号类型： 我测试了三种不同的模型：线性，套索和岭回归。根据R ^ 2和均方根误差（RMSE）分数评估成功与否。创建了一个虚拟模型来评估基线，然后将我的模型与该模型进行了比较。 特征： 在测试模

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：712kb
    • 提供者：weixin_42125770

  1. HousingRealestate_project-源码

  2. HousingRealestate_project 房屋预测项目 介绍 在该项目中，对多个线性回归模型进行了优化，以预测西雅图金县的房屋价格。在项目开始时提出了三个有关住房的重要问题，并在项目结束时回答了三个重要问题。 动机 建立了线性回归模型，以帮助房地产公司的房地产顾问明智地选择可以成为良好投资并带来利润的房屋。基于各种观点对线性回归模型进行了评估。第一个目标通常是产生一个模型，该模型可以预测金县的房屋价格销售。第二个目标是生成一个仅可以基于外部地理/物理特征预测房屋销售价格的模型。该分析可

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：12mb
    • 提供者：weixin_42135754

  1. House-Prices-Challenge-Solution:我对Kaggle房价挑战的解决方案-源码

  2. 预测房价 这个仓库是什么？ 作为即将到来的机器学习工程师，我挑战自我以测试自己的机器学习技能。 我通过应对的向自己。 这项挑战的目标是根据一组给定的功能预测爱荷华州埃姆斯的房屋价格。 确切地说，总共有79个功能。 该项目使工程师（在本例中为我本人）可以练习关键的数据科学和机器学习技术。 该存储库通过4个文件夹进行组织：提交，数据，代码和模型。 在“提交”文件夹中，您将看到我所做的各种提交。 在“数据”文件夹中，您将找到必要的数据集以及任何其他必要的信息。 在“代码”文件夹中，您将看到该项目的

  3. 所属分类：其它

  1. Predicting-House-Prices:线性回归使用Turicreate预测房价-源码

  2. 预测房屋价格 使用Turicreate进行线性回归以预测房价。 在这里，我们可以使用graphlab或turicreate框架。 Turi Create简化了自定义机器学习模型的开发。 您无需成为机器学习专家即可向您的应用添加建议，对象检测，图像分类，图像相似度或活动分类。 因此，我们在这里使用Turicrete。 在本笔记本中，我们将使用金县的房屋销售数据，通过简单的（一次输入）线性回归来预测房价。 使用graphlab SArray和SFrame函数计算重要的摘要统计信息 编写函数以使用

  3. 所属分类：其它

    • 发布日期：2021-03-16
    • 文件大小：43mb
    • 提供者：weixin_42110469

  1. Deploying-ML-Model-on-Azure-using-Docker-Container:构建ML模型，使用Flask为模型创建API，对Flask Web App进行Docker化，并在Azure上进行部署-源码

  2. 使用docker容器在azure上部署ML模型 涉及构建ML模型，使用Flask为该模型创建API，对Flask Web应用程序进行Docker化以及在Azure云平台上进行部署。 概述 此存储库演示了如何使用Flask和Docker Container将Azure机器学习模型作为Web服务部署在Azure上。 文件说明 房屋价格预测文件夹 pricepredmodel.py-用于为房价预测问题构建机器学习模型。 我们正在使用多元线性回归模型进行预测。 该文件将生成模型的pickle版本（mod

  3. 所属分类：其它

  1. Advanced-Regression-源码

  2. 高级回归 作业问题 美国一家名为Surprise Housing的住房公司已决定进入澳大利亚市场。 该公司使用数据分析以低于实际价格的价格购买房屋，然后以较高的价格出售房屋。 出于相同的目的，该公司从澳大利亚的房屋销售中收集了一个数据集。 数据在下面的CSV文件中提供。 该公司正在寻找有待购买的房地产以进入市场。 您需要使用正则化来构建回归模型，以便预测预期属性的实际价值并决定是否进行投资。 该公司想知道： 哪些变量在预测房屋价格方面很重要，以及 这些变量描述房屋价格的能力如何。 此外，

  3. 所属分类：其它

  1. Data_Science_Portfolio:在学术界和自我学习中均已完成的数据科学组合-源码

  2. 数据科学组合 该产品组合包含以学术界和自学方式完成的数据科学领域的各种项目。 组织 1.机器学习 ：数据分析和机器学习解决了电信客户流失。 ：线性回归教程，从零开始实施numpy / pandas与scikit-learn进行比较，以预测客户可以出售其房屋的最佳价格。 ：预测签名是由希格斯玻色子（信号）还是其他过程（背景）产生的。 仅使用Numpy从头开始实现所有ML模型。 ：使用传统的机器学习技术对tweet进行正/负情感分析。 2.深度学习 ：使用协作采样方案可提高深度生成对抗网络中

  3. 所属分类：其它

  1. house-prices:房屋价格（Python）-源码

  2. 房屋价格 房屋价格（Python） 在这个项目中，我将使用Kaggle的房价数据集来开发预测模型。 目的是演示数据科学项目生命周期的四个步骤：定义，发现，开发和部署。 我将建立一些监督的机器学习模型并评估其性能。 工作正在进行中...

  3. 所属分类：其它

  1. Real-Estate-Investment-Trust:用于预测美国纽约州房地产交易价格的线性回归模型-源码

  2. 语境： 我们的客户是一家位于美国纽约州的大型房地产投资信托（REIT） 。 他们投资于房屋/公寓/公寓，作为业务的一部分，他们试图在出售之前预测房地产的公平交易价格。 这样做是为了校准内部定价模型并“保持脉动”于房地产市场。 就目前的情况而言，他们目前聘请独立评估师评估房地产，并根据该房地产的特征提供对房地产价格的估计。 但是，这种方法的缺点是评估人员的素质可能相差很大，因此他们准确预测交易价格的能力也可能如此。 缺乏经验的评估师在预测交易价格和实际交易价格之间平均会有7万美元的误差。

  3. 所属分类：其它

  1. End-to-end-ML-Housing-price-prediction-:一个端到端的机器学习项目，用于预测加州的房价-源码

  2. 端到端ML房屋价格预测 一个端到端的机器学习项目，用于预测加利福尼亚的房价。 从头到尾构建机器学习项目的所有必需阶段。 它在机器学习项目中考虑以下“ HOWS”： 获取数据 可视化并从发现中获取意义 准备不同的机器学习算法 如何选择和训练模型 如何微调模型 如何保存模型 它在两者之间给出了一些说明，以在Jupyter笔记本中提供一些说明。 使用的数据集是housing.csv Jupter笔记本电脑是端到端的ML_外壳 致谢：Aurelien Geron

  3. 所属分类：其它

    • 发布日期：2021-03-07
    • 文件大小：401kb
    • 提供者：weixin_42118770

  1. DSI_Project2-源码

  2. 项目2：爱荷华州住房 内容： 背景 线性回归是一种非常流行的模型，它是根据一个目标变量（或因变量）与一个或多个解释变量（因变量）之间的关系而创建的。 在此回归挑战中，爱因斯爱荷华州住房数据集用于构建模型，可以预测每所住房的估计售价。 通过获得模型，不仅可以预测价格，而且可以研究影响价格的每个功能的重要性。 通过进一步分析，该模型可以帮助卖方或对提高其销售价格感兴趣的任何人正确地改善其房屋并获得可能的最高价格。 问题陈述 对于想要出售房屋的客户，当前的估计售价是多少？ 还有什么可以提高价格的改进

  3. 所属分类：其它

    • 发布日期：2021-03-07
    • 文件大小：11mb
    • 提供者：weixin_42157166

  1. nyc-airbnb-data-analysis:纽约市Airbnb数据的回归分析-源码

  2. 纽约市Airbnb数据的回归分析 概述 对于这个项目，我决定使用Kaggle.com的NYC Airbnb数据集。 Airbnb是Airbnb的缩写，最初的名称是AirBedandBreakfast.com，如今它已成为一种被全世界使用和认可的服务。 对于各个年龄段的旅客，Airbnb都在变得越来越受欢迎。 家庭，商务专业人士和单身旅行者都开始使用Airbnb作为传统酒店客房的替代选择。 价格的灵活性，便利设施的选择以及遍布各地的位置使它们成为旅行者的理想选择。数以百万计的列表产生了大量数据，可

  3. 所属分类：其它

  1. 温哥华家的预测-源码

  2. 温哥华家的预测 在业务分析硕士课程期间，该模型是描述性和预测性分析课程最终项目的一部分。 已对工作进行了修改，以找出潜在投资候选者的低估物业。 概述 使用有关房屋的随时可用的信息，可以建立模型来预测其销售价格。 以下内容被视为潜在的解释变量： 上市天数（天） 总建筑面积（​​平方英尺） 年龄（岁） 地段面积（平方英尺） 该模型中使用的数据集（“房屋销售数据Vancouver.csv”）是从2019年至2020年初在温哥华的独立屋销售中收集的。销售价格的最高限额为$ 3百万。 脚步 探索

  3. 所属分类：其它

    • 发布日期：2021-02-26
    • 文件大小：35kb
    • 提供者：weixin_42129970

  1. 梯度提升房屋价格预测：该项目将基于从``https：//www.kaggle.comchouse-prices-advanced-regression下载的“ IOWA房屋价格”数据集创建并测试ML模型，以预测房价-techniquesda

  2. 梯度提升房屋价格预测：该项目将基于从``https：//www.kaggle.comchouse-prices-advanced-regression下载的“ IOWA房屋价格”数据集创建并测试ML模型，以预测房价-techniquesdata```

  3. 所属分类：其它

    • 发布日期：2021-02-11
    • 文件大小：420kb
    • 提供者：weixin_42116705

  1. Phase2_Project：这是我的第二阶段项目的存储库-源码

  2. Phase2_Project 这是我第二阶段项目的存储库 在这里，您将找到用于3个jupyter笔记本代码的csv文件。 我们的目标是创建一个线性回归模型来解决一个特定的问题，即我们要分配自己的问题。 我选择根据csv中的4个条件为房屋价格创建预测变量：居住面积，地段大小，卧室和浴室。 我选择这些变量是因为我认为它们在购房过程中是通用的。 的确，还有其他可以使用的东西，但这是每个人都考虑过的要素。 第一个笔记本是粗糙的书； 我感觉完成任务的方式。 我尝试了修剪数据，日志转换，缩放等操作，但没有

  3. 所属分类：其它

    • 发布日期：2021-02-11
    • 文件大小：10mb
    • 提供者：weixin_42100971

  1. 房屋价格的预测模型-源码

  2. 房屋价格的预测模型 这是一个使用线性回归，套索回归和岭回归分析和预测房价的最终项目。数据来自对房地产经纪人的MLS房屋列表的审查

  3. 所属分类：其它

  1. boston_housing：我们将基本的机器学习概念应用于马萨诸塞州波士顿地区的房价数据，以预测新房的售价-源码

  2. 预测波士顿房价 根据统计数据获得最佳模型，以估算客户房屋的最佳价格。 目的 在这个项目中，我们将基本的机器学习技术应用于马萨诸塞州波士顿市房屋价格的累积数据。 我们主要对新房的售价做出预测。 首先，我们对数据进行区分以获得有关数据集的实质特征和描述性统计信息。 其次，我们将数据适当地分为测试和培训子集，并为主要问题确定了方便的性能指标。 然后，我们研究了具有交替参数和训练数据集大小的学习算法的效率图。 这使我们能够选择最佳模型，对隐藏数据进行最佳概括。 最后，我们测试了在新样本中找到的最优模型，

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：154kb
    • 提供者：weixin_42116596
« 12 3 »