银行产品营销活动 它由一个在python的jupyter笔记本中完成的，基于贷款预测模型的项目组成，该模型包含5000个银行客户的数据集。

质子交换膜（PEM）燃料电池数据集 概述 该数据集是关于在各种操作条件下对PEM燃料电池进行的Nafion 112膜标准测试和MEA活化测试。 数据集包括两种通用的电化学分析方法：极化和阻抗曲线。 在该数据集中，考虑了H2 / O2气体的不同压力，不同的电压和不同的湿度条件在几个步骤中的影响。 可以从数据中得出PEM燃料电池在不同运行条件测试，激活程序以及激活分析前后不同运行条件期间的行为。 在极化曲线中，电压和功率密度随H2 / O2流量和相对湿度的变化而变化。 燃料电池使用的等效电路的电阻可以根据阻抗数据来计算。 因此，在给出的数据中该电池的实验响应是显而易见的，这对于PEM燃料电池研究中的深度分析，模拟和材料性能研究很有用。 有关MEA（膜电极组件）激活程序的更多信息，请访问 测验 笔记本电脑 我们提供了一些Jupyter笔记本来可视化数据，请访问此处 引用 如果您在研究中使用此

释义张量流 Tensorflow（1.1.0）中实现了多种用于复述的模型和代码。 我非常小心地记录了代码，并解释了整个模型中各个步骤的操作。 希望对于那些想开始使用Tensorflow的人来说，这将是一个教学示例代码！ 到目前为止，此仓库已实现： 基本的暹罗LSTM基准，大致基于的模型 如所述，带有附加“匹配层”的Siamese LSTM模型 。 的或多或少的最新的双边多视角匹配模型 。 欢迎添加更多模型/优化或修补现有模型的公关！ 模型代码的大部分位于 很多数据处理代码都来自受其启发，如果您喜欢此项目的结构，请检查一下它们！ 安装 该项目是在Python 3.5中开发

基于Pytorch的中文文本摘要生成 开这个仓库的主要目的是记录一下自己实验过程和数据。 参考文本摘要领域大佬写的两篇论文： and ，然后参考另一位大佬修改的代码. 另外，在这里还是要感谢一下。这里的所有内容基本上没做什么修改（python读取文件的时候出现编码问题，我的猜想是大佬用的mac系统，类linux，所以对编码不敏感，我用windows的话就报错了。），最多修改了一下超参数，刚开始在自己windows笔记本上跑的话，确实有点吃力，设置的batch_size=10,好像后来还直接报cuda错误，我的猜想就是设置过大了，显存承受不了。说多了。直接看训练和测试效果吧。 实验结果 指标 验证集 测试集 ROUGE-1 34.06 31.87 ROUGE-2 16.46 15.47 ROUGE-L 33.83 30.93 0. 数据预处理 下载(提取码：g8c6 )，下载完之后放在根目

recsys2015 面向用户的RecSys Challange 2015竞赛项目通过YOOCHOOSE点击次数购买了预测并购买了数据集。

logistic_regression 用logistic回归预测糖尿病数据集_我在糖尿病数据集上使用了logistic回归和决策树分类器模型，在对两个模型进行训练和测试数据集比率相同后，我发现logistic回归给出的准确性更高，大约为80％，而决策树分类器给出了约75％。

挡风玻璃上的雨滴 我们提供一组公开可用的图像，用于训练和评估视觉算法在相机镜头或挡风玻璃上进行雨滴检测的不同任务的性能。 目前，它包含8190张图像，其中3390张包含雨滴。 数据集描述 数据集的图像是在移动过程中通过安装在车辆上的摄像头捕获的。 车辆的运动发生在市区和高速公路上，因此该数据集非常适合训练和评估视觉算法，以进行自动车辆摄像机镜头污染检测。 数据集表示包含8190张图像的视频帧序列，其中3390张包含雨滴。 通过用多边形勾勒出伪影来标记图像。 标记结果以JSON格式存储。 此外，还从该标记生成了二进制掩码，为方便起见，这些掩码也显示在数据集中。 白色表示伪影区域。 详细信息已发布在： 序列1 seq2 ... 序列1 seq2 ... 下载 人工雨滴生成算法 除了数据集，我们提出了一种算法，该算法可以在图像中生成各种逼真的人工滴。 收集具有各种雨滴的图像是一项艰巨

室内HIIT动作识别项目说明 山东大学（威海） 18数据科学孙易泽 本项目为通过微信小程序进行动作的识别，项目拾取了徒手侧平举，前后交叉小跳，开合跳，半蹲四个动作，在测试者左手手持手机的情况下，利用微信小程序实时采集手机的六轴数据，并用随机森林模型和波峰检测法，对测试者做出的动作进行实时的识别和计数。 以下说明，为项目文件中各个文件夹的相关说明 python项目 数据文件夹：训练所用数据，处理之后的数据 进程文件夹：预数据代码，包括信号处理与窗口切割数据 功能文件夹：特征提取以及特征选取相关代码 machineLearning文件夹：各个算法测试比对，算法的优化与提升 numcount文件夹：动作计数相关代码测试 Web文件夹：服务器部署代码 IndoorHIIT.ipynb：python完整的工程说明文档，可在工程中直接查看，或访问以下网址： 微信小程序 小程序已发布，二维码如下： 完

素描变压器 建模绘图，快速！ 使用变压器的数据集。 火车模型 $ python train.py --on-memory-dataset 预训练模型 一个预先训练的模型（ test llh: 3.002 assets/model_1000000.pt ）在assets/model_1000000.pt $ python train.py --num-transformer-layers=8 --dropout-rate=0.1 --batch-size=128 --learning-rate=1e-3 --on-memory-dataset --log-freq=10000 产生样品 $

OntoNotes-5.0-NER-BIO 这是CoNLL-2003格式的版本，带有OntoNotes 5.0版本NER的BIO标记方案。 此格式化的版本基于的说明以及在此存储库中创建的新脚本。 简单地说，名为“（Yuchen Zhang，Zhi Zhong，CoNLL 2013），提出了针对OntoNotes 5.0数据的Train-dev-split，并提供了将其转换为CoNLL 2012格式的脚本。 但是，结果不在BIO标记方案中，不能直接用于许多序列标记体系结构中，例如BLSTM-CRF。 此回购协议通过直接生成BIO格式简化了预处理，您可以在实验中使用它们。 步骤1：获取官方的O