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. SMSSpamcollection.zip

  2. 包含5574条英文垃圾邮件的数据集，其中正常文件4827份，垃圾文件747份，分类整理为两个文件夹方便使用。

  3. 所属分类：spark

    • 发布日期：2020-02-14
    • 文件大小：1048576
    • 提供者：weixin_44373865

  1. 如何简单形象又有趣地讲解神经网络是什么.doc

  2. 如何简单形象又有趣地讲解神经网络是什么神经网络最重要的用途是分类，为了让大家对分类有个直观的认识，咱们先看几个例子： • 垃圾邮件识别：现在有一封电子邮件，把出现在里面的所有词汇提取出来，送进一个机器里，机器需要判断这封邮件是否是垃圾邮件。 • 疾病判断：病人到医院去做了一大堆肝功、尿检测验，把测验结果送进一个机器里，机器需要判断这个病人是否得病，得的什么病。 • 猫狗分类：有一大堆猫、狗照片，把每一张照片送进一个机器里，机器需要判断这幅照片里的东西是猫还是狗。 这种能自动对输入的东西进

  3. 所属分类：机器学习

    • 发布日期：2020-02-03
    • 文件大小：1048576
    • 提供者：dlxlxly

  1. 朴素贝叶斯算法的python实现方法

  2. 本文实例讲述了朴素贝叶斯算法的python实现方法。分享给大家供大家参考。具体实现方法如下： 朴素贝叶斯算法优缺点 优点：在数据较少的情况下依然有效，可以处理多类别问题 缺点：对输入数据的准备方式敏感 适用数据类型：标称型数据 算法思想： 比如我们想判断一个邮件是不是垃圾邮件，那么我们知道的是这个邮件中的词的分布，那么我们还要知道：垃圾邮件中某些词的出现是多少，就可以利用贝叶斯定理得到。 朴素贝叶斯分类器中的一个假设是：每个特征同等重要 函数 loadDataSet() 创建数据集，这里的数据集

  3. 所属分类：其它

    • 发布日期：2020-12-24
    • 文件大小：58368
    • 提供者：weixin_38699724

  1. 【Python数据分析】文本情感分析——电影评论分析（一）

  2. 情感分析是文本分析的一种，它能够从一段文本描述中理解文本的感情色彩，是褒义、贬义还是中性。常见的情感分析的使用场景就是客户对商品或服务的评价、反馈，传统模式下的人工审核，不仅消耗大量人力，而且效率（速度和准确度）也不高。   这里使用Python对电影《哪吒之魔童降世》的评论进行文本分析，这种分析方式还可用于垃圾邮件的过滤、新闻的分类等场景。   分析步骤：   1、对文本数据进行预处理，包括文本缺失值重复值处理、分词、去除停用词、文本向量化。   2、描述性统计分析，统计词频、生成词云图。  

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：812032
    • 提供者：weixin_38632046

  1. 初学者必读：机器学习的完整介绍和入门，看不懂你打我

  2. 文章目录机器学习的介绍⼀、机器学习架构（1）训练阶段（Training）（2）预测阶段（Predict）⼆、机器学习的分类（1）有监督学习（2）⽆监督学习（3）机器学习算法类别概括图表三、机器学习的四个阶段（1）数据准备阶段（2）训练评估阶段（3）测试阶段（4）预测阶段 机器学习的介绍 机器学习技术不断的进步，应⽤相当⼴泛,例如推荐系统，定向⼴告，需求预测，垃圾邮件过滤，医学诊断，⾃然语⾔处理，搜索引擎，欺诈检测，证券分析，视觉识别，语⾳识别，⼿写识别，频率识别等等。 ⼀、机器学习架构 机器学

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：351232
    • 提供者：weixin_38719540

  1. 机器学习笔记1_机器学习基础

  2. # 机器学习笔记1_机器学习基础 人工智能，机器学习，深度学习的关系 关于数据 牢记:up_arrow:图 数据特征例子（帮助理解）： 机器学习的基本任务 机器学习（或者说其中的监督学习）的基本任务可以分为: 分类任务 回归任务 分类任务： 分类任务的结果是几个类别，是非连续的。分类任务可以分为： 二分类 多分类 二分类 判断邮件是否为垃圾邮件 判断股票是涨还是跌 多分类 数字的识别 学生成绩的评级ABC 某些算法只能完成二分类，但可以将多分类任务转化为二分类。 回归任务（数据） 结果是一

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：375808
    • 提供者：weixin_38693192

  1. Real-CyberSecurity-Datasets:公开数据集可帮助您解决各种网络安全问题-源码

  2. 实时网络安全数据集 公开数据集可帮助您使用机器学习或其他方式解决各种网络安全问题。 祝您学习愉快！！！ 目录 ADFA入侵检测数据集 数据集涵盖了Linux和Windows。 它们旨在通过基于系统调用的HIDS进行评估。 僵尸网络和勒索软件检测数据集 ISOT僵尸网络数据集是几个现有的公开可用的恶意和非恶意数据集的组合。 恶意网址数据集 这项研究的长期目标是构建一个使用机器学习技术检测恶意URL（垃圾邮件，网络钓鱼，漏洞利用等）的实时系统。 为此，我们已经探索了一些技术，这些技术包括根据其词

  3. 所属分类：其它

    • 发布日期：2021-03-25
    • 文件大小：3072
    • 提供者：weixin_42131367

  1. Google-Colab:Python源文件-python source file

  2. Google-Colab Python源文件： 电子邮件的分类器，无论它们是垃圾邮件还是垃圾邮件。

  3. 所属分类：其它

    • 发布日期：2021-03-25
    • 文件大小：4096
    • 提供者：weixin_42104906

  1. spam-detector-deployed-源码

  2. 垃圾短信分类-部署 •该存储库包含部署在Heroku平台上使用Flask创建的机器学习Web应用程序所需的文件。 •如果要查看已部署的模型，请单击以下链接：部署在： : •如果要搜索代码，使用的算法和模型的准确性，则在这里找不到。单击下面提到的链接以确保相同：链接： ： •请做 :star:储存库（如果有帮助的话）。 •Web应用程序概览： - - - 重要的提示 - - - •如果您遇到如下图所示的Web应用程序，则表示发生此情况的原因仅在于完全使用了Heroku提供

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：4194304
    • 提供者：weixin_42114645

  1. PersonalProjects-源码

  2. 数据科学组合 包含我为学术，自学和业余爱好而完成的数据科学项目组合的存储库。 以iPython Notebooks的形式呈现。 内容 机器学习 线性回归： 逻辑回归： 决策树和随机森林： 支持向量机： K均值聚类： 主成分分析： 推荐系统： 工具：scikit-learn，Pandas，Seaborn，Matplotlib 自然语言处理 垃圾邮件检测： 文字分类： 情绪分析： 自动改正： 自动补全： 深度神经网络的情感分析： 命名实体识别： 重复问题的识别： 神经机器翻译： 文字摘要： 问题回

  3. 所属分类：其它

    • 发布日期：2021-03-15
    • 文件大小：98304
    • 提供者：weixin_42108054

  1. emotion04.rar

  2. py文本情感分析（大众评论）朴素贝叶斯模型被广泛应用于互联网新闻的分类、垃圾邮件的筛选等分类任务，它单独考量每一维度特征被分类的条件概率，然后综合这些概率对其所在的特征向量做出分类预测，即“假设各个维度上的特征被分类的条件概率之间是相互独立的”，该假设使得模型预测需要估计的参数规模从指数数量级减少到线性数量级，极大地节约了计算时间和空间。该模型在训练时没考虑各个特征之间的联系，对于数据特征关联性较强的分类任务表现不好 ———————————————— 版权声明：本文为CSDN博主「TuringE

  3. 所属分类：Python

    • 发布日期：2021-03-12
    • 文件大小：572416
    • 提供者：lipeitong333

  1. studies:进行数据科学研究的资料库-源码

  2. 锡达塔的肖像 01_WebScraping_FIFA21_8min 一种简单的代码，可从一个具有不同页面的网站收集数据（FIFA 21-8分钟战斗）。 收集页面后，它将保存一个带有结构化数据（数据集）的.CSV文件。 02_MachineLearning_VotingClassifier_FraudDetection 这项研究显示了如何使用SMOTE作为重采样策略并通过投票分类器来计算概率来预测欺诈（高度不平衡的数据）。 我使用LogisticRegression，RandomForestC

  3. 所属分类：其它

    • 发布日期：2021-03-11
    • 文件大小：306176
    • 提供者：weixin_42134144

  1. bitfield-db:位列数据库，具有在持久性存储上的rank + select。 基于咆哮+奔跑和芬威克树-源码

  2. 位域数据库 在持久性存储上具有等级+选择的位域数据库 基于和，基于0或1的编号，如在论文中 当您拥有收件箱之类的数据并且想要将邮件分类为不同类别（例如“已读”，“未读”，“垃圾邮件”和“存档”）以及可能需要的位置时，您可能希望使用这样的数据库计算每个类别（等级）的总计，并跳到每个类别中的下一条或上一条消息（使用select + rank在内部实现）。 纯Javascr ipt实现，可使用适配器的套件工作。 要在浏览器中使用此模块，可以使用 。 例子 var Bitfield = require

  3. 所属分类：其它

    • 发布日期：2021-03-11
    • 文件大小：25600
    • 提供者：weixin_42129412

  1. Brihaspati:机器学习，深度学习和计算机视觉中各种实现和代码的集合:sparkles::collision:-源码

  2. 布里萨帕蒂 :pushpin: 介绍 这是各种机器学习算法和实验的集合，通过遵循各种教程，文章博客等内容，这些知识已经在我这边实现了。 这些机器学习算法已在来自 ， 等的各种数据集上实现。 :check_mark: 资源 :collision: 笔记本和数据集 姓名 数据集 笔记本 亚马逊情绪分析 使用转移学习进行COVID-19检测 猫狗分类器 使用LSTM的聊天机器人 决策树 假新闻分类 性别预测 印地语字符识别 鸢尾花预测 K均值聚类 线性回归I 线性回归II 线性回归III 逻辑回

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：150994944
    • 提供者：weixin_42174098

  1. SPAM-Message-Classificatin-With-Streamlit-源码

  2. 带流式垃圾邮件消息分类

  3. 所属分类：其它

    • 发布日期：2021-03-06
    • 文件大小：433152
    • 提供者：weixin_42176827

  1. 一文读懂区块链整体架构及应用案例

  2. 对分类器的高层次攻击可以分为以下三种类型：对抗性输入：这是专门设计的输入，旨在确保被误分类，以躲避检测。对抗性输入包含专门用来躲避防病毒程序的恶意文档和试图逃避垃圾邮件过滤器的电子邮件。数据中毒攻击：这涉及到向分类器输入对抗性训练数据。我们观察到的最常见的攻击类型是模型偏斜，攻击者以这种方式污染训练数据，使得分类器在归类好数据和坏数据的时候向自己的偏好倾斜。我们在实践中观察到的第二种攻击是反馈武器化（feedbackweaponization），它试图滥用反馈机制来操纵系统将好的内容误分类为滥用

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：708608
    • 提供者：weixin_38630324

  1. 集成方法：装袋，RandomForest和AdaBoostClassifier-源码

  2. 在之前的实验中，我使用朴素贝叶斯（Naive Bayes）对此垃圾邮件进行分类。 在本笔记本中，我们将通过使用一些新技术（例如Bagging，RandomForest和AdaBoostClassifier）扩展先前的分析。 事实证明，我们的朴素贝叶斯模型实际上做得很好。 但是，让我们看一下其他一些模型，看看是否仍然无法改进。 特别是在本笔记本中，我们将研究以下技术： 可以找到有关合奏方法的另一个非常有用的指南。 这些合奏方法结合了多种技术： 引导通过学习者传递的数据（装袋）。 对用于

  3. 所属分类：其它

    • 发布日期：2021-02-13
    • 文件大小：373760
    • 提供者：weixin_42127783

  1. Python项目-源码

  2. 我的Python数据科学项目： ：在此项目中，我尝试为Kaggle项目的样本（泰坦尼克号的沉没）构建工作流程，以便将来可以在其他Kaggle项目中采用相同的模式 ：在这个项目中，我试图使用k近邻算法和具有不同数量神经元和不同隐藏层的神经网络对手写数字问题进行分类。 ：在这个项目中，我使用并比较了线性回归，决策树回归和随机森林算法来预测自行车租赁。 我还尝试找到最佳参数以防止过度拟合并获得良好结果。 此项目是关于使用线性回归模型来预测S＆P500指数的每日价格。 也只进行提前一天的预测。

  3. 所属分类：其它

    • 发布日期：2021-02-12
    • 文件大小：14680064
    • 提供者：weixin_42124743

  1. 预测建模：预测建模中的统计技术-源码

  2. 预测建模 预测建模使用统计数据来预测结果。[1] 人们最想预测的事件通常是将来的事件，但是预测建模可以应用于任何类型的未知事件，无论何时发生。 模型可以使用一个或多个分类器来尝试确定一组数据属于另一组的概率。 例如，可以使用模型来确定电子邮件是垃圾邮件还是“垃圾邮件”（非垃圾邮件）。 取决于定义边界，预测建模与机器学习领域是同​​义词，或在很大程度上重叠，因为它在学术或研究与开发环境中更为常见。 当商业部署时，预测建模通常称为预测分析。 预测建模通常与因果建模/分析形成对比。 在前者中，人

  3. 所属分类：其它

    • 发布日期：2021-02-11
    • 文件大小：2097152
    • 提供者：weixin_42131316

  1. Smishing_Detector_app：使用此android应用程序，用户可以获得网络钓鱼的基本知识，它将具有检查URL的功能。 并且还可以选择直接在cybercrime.gov.in上进行举报-源码

  2. Smishing_Detector_app 像truecaller这样的应用程序会根据用户的垃圾邮件报告并根据可疑关键字对垃圾短信进行分类。 像下面这样，有人在“恭喜！”一词的基础上找到了一份合适的工作。 （有时用于伪装）truecaller被阻止。 但是没有基于选项URL的阻止。 使用此android应用程序，用户可以获得网络钓鱼的基本知识，它将具有检查URL的功能。 并且还可以选择直接在cybercrime.gov.in上进行报告。 这是adobexd 用于UI / UX设计的链接

  3. 所属分类：其它

    • 发布日期：2021-02-11
    • 文件大小：56320
    • 提供者：weixin_42112658
« 1 2 ... 5 6 7 8 9 1011 12 13 14 15 16 »