译者序 前言 第1章 导论 1.1 预测与解释 1.2 预测模型的关键部分 1.3 专业术语 1.4 实例数据集和典型数据场景 1.5 概述 1.6 符号 第一部分 一般策略 第2章 预测建模过程简介 2.1 案例分析：预测燃油效能 2.2 主题 2.3 总结 第3章 数据预处理 3.1 案例分析：高内涵筛选中的细胞分组 3.2 单个预测变量数据变换 3.3 多个预测变量数据变换 3.4 处理缺失值 3.5 移除预测变量 3.6 增加预测变量 3.7 区间化预测变量 3.8 计算 习题 第4章

为了有效提高混凝土抗压强度的预测精准度，利用粒子群算法优化BP神经网络初始权值和阈值，建立了混凝土抗压强多因子PSO-BP预测模型。模型以每立方混凝土中水泥、高炉矿渣粉、粉煤灰、水、减水剂、粗集料和细集料的含量以及置放天数为输入参数，混凝土抗压强度值作为输出参数，不仅可以克服BP算法收敛速度慢和易陷入局部极值的缺陷，而且模型的学习能力、泛化能力和预测精度都有了很大的提高。以UCI数据库中的Concrete Compressive Strength数据集为例进行仿真测试，结果表明：PSO-BP模型

混凝土抗压强度数据集，用于机器学习中多元线性回归模型训练时使用。共一千多条数据，需要的请自取哦

该数据集处理影响混凝土抗压强度的因素。有几个输入参数和一个输出参数。 npvproject-concrete.csv

机器学习和深度学习简单（基于应用程序）项目 该存储库包含完成的简单实践项目，以学习ML和DL概念。 每个单独的文件夹都包含一个单独的项目，并且文件夹本身中包含该项目的自述文件。 我还附有我的课程证书。 项目清单是： 使用支持向量机的面部识别：使用numpy实现SVM，然后将其用于执行小型数据集的基本面部识别任务。 使用Yellowbrick分析混凝土的抗压强度：使用简单的回归分析，使用kaggle上的可用数据集来预测混凝土的抗压强度。 从零开始开发人工神经网络以执行股价预测：使用使用skl