入院时预测住院时间 媒体故事： : 项目概况 预测分析是医疗保健领域越来越重要的工具，因为现代机器学习 (ML) 方法可以使用大量可用数据来预测患者的个人结果。 例如，机器学习预测可以帮助医疗保健提供者确定疾病的可能性、帮助诊断、推荐治疗和预测未来的健康状况。 对于这个项目，我选择关注医疗保健的后勤指标，即住院时间 (LOS)。 LOS 定义为入院和出院之间的时间，以天为单位。 该项目的目标是创建一个模型来预测每位患者入院时的住院时间。 该项目利用了数据库：“MIMIC 是由麻省理工学院计算生理学实验室开发的一个公开可用的数据集，包括与约 40,000 名重症监护患者相关的去识别化健康数据。它包括人口统计、生命体征、实验室测试、药物治疗， 和更多。” 结果总结 我使用默认设置拟合了五种不同的回归模型（来自 scikit-learn 库）并比较了 r 平方 (R2) 分数。 Gradi

在这篇提交中，我实现了一个径向基函数 (RBF) 神经网络，用于预测混沌时间序列预测。 特别是设计了一个 Mackey Glass 时间序列预测模型，该模型可以使用过去的时间样本预测几步的值。 RBF 是使用传统的梯度下降学习算法训练的，核函数是高斯核，其中心和散布是从 K-mean 聚类算法获得的。

tensorflow下用LSTM网络进行时间序列预测，实时多变量预测和对于未来数据的单变量预测，代码中做了详尽的中文解释，并对一些参数进行了注释和说明。

笔画预测 根据世界卫生组织（WHO）的数据，卒中是全球第二大死亡原因，约占总死亡人数的11％。 该数据集用于根据输入参数（例如性别，年龄，各种疾病和吸烟状况）预测患者是否可能中风。 数据中的每一行都提供有关患者的相关信息。

出租车轨迹预测 预测葡萄牙波尔图出租车的目的地。

matlab二维光栅代码纽约市出租车需求预测 2017 年 4 月 29 日更新：新数据（demand.h5、holiday.txt、...）上传到 2017-04-12 更新：天气数据 (Meteorology.h5) 上传到 这在 onedrive 上不断更新。 2017-03-21 更新：HDF5 和假日数据上传到 原始数据来源 天气： 。 批量订单可通过 纽约出租车： 生成的数据是使用 2 年的原始黄色出租车数据（从 2014-07-01 到 2016-06-30）得出的。 目前，我们仅使用了 6 个月的原始数据，总大小为 10 GB . 数据生成过程（在 Mapreduce 工作流中设计和实现）需要 2.5 小时（用于处理两年的数据）。 这个过程可以使用相同的代码在集群上完成（需要联系 Columbia HPC）。 Demand.mat : 以 Matlab 二进制文件格式存储的生成数据。 它包含两个变量：时间表“需求”和地理参考对象“R”。 R：提供地理信息（例如地理范围）的地理参考对象 R= Latitude Limits: [40.6769, 40.8868] Long

离散控制Matlab代码系留飞行物的非线性模型预测控制和状态估计 动机 是否可以在三维空间中两点之间的预定轨迹上移动飞行物体？ 考虑了以前的建模尝试，并应用了Lagrange形式主义，以便找到更合适的模型以进行更快的仿真和控制。 然后使用几个优化例程估算其参数。 像往常一样，对模型进行线性化和离散化处理，并使用离散线性二次调节器来控制球的仰角，作为对转盘上不同种类输入激励的响应。 仅在设计和实现卡尔曼滤波器之后才能实现全状态控制器。 然后使用所谓的内部模型原理对这两个组件进行改进，以使球的仰角响应尽可能保持不变。 然后开发了非线性模型预测控制以及移动视点估计器（状态观测器），并测试了两个非平凡的最优控制问题。 代码 该代码在模块化主题检查点中分开，对于其中的一些主题检查点（基本上出于建模目的）仅可用Matlab实现，而对于状态估计或预测控制实时C ++（OROCOS）版本也需要这些实现。 造型部分 代码中的点1-6对应于遵循的建模链： 1，2：摩擦参数识别：找到并调整了从下部电机到轴的简单摩擦模型。 调整了二阶模型，并将其用作进一步模型链的基础。 3：用Matlab符号工具进行Lagr

Price-prediction-and-recommendation-of-second-hand-housing-in-Shanghai Price prediction and recommendation of second-hand housing in Shanghai（上海地区二手房价格预测及推荐） 先上系统运行的截图： 1、本系统为本人读研数据课课程project。 2、本系统主要功能：爬取链家上海地区二手房信息，使用postgresql的机器学习库MADlib，采用KNN算法对用户输入的需求信息预测房价及推荐五个相似房源。 3、开发环境：centos7 64位、PostgreSQL9.5、MadLib1.13、pgAdmin4.2、Python2.7（web部分）、python3.6（数据爬取及处理部分） 本系统web显示界面在好友蒋雯协助下完成，其他工作由我完成。 da

糖尿病预测 使用神经网络预测皮马印第安人的糖尿病 我们有皮马印第安人糖尿病数据集。 我们要预测具有某些特征的庇护者是否患有糖尿病。 因此，这是一个二元分类问题，我们使用具有3层的神经网络进行预测。 有8个特征（输入项），包括：1.怀孕次数2.口服葡萄糖耐量测试中2小时的血浆葡萄糖浓度。 3.舒张压（mm Hg）。 4.三头肌皮褶厚度（mm）。 5.2小时血清胰岛素（mu U / ml）。 6.身体质量指数（体重以千克/（身高以米）^ 2为单位）。 7，糖尿病谱系功能8.Age（年）。 我们在隐藏层中设计了100个激活。 最终使用FP和BP算法以及先进的优化技术，我们在训练集上获得了93％的准确性。

多恩 更新 更新了整个代码库，并重新实现了一些层和损失函数，以使其运行速度更快并使用更少的内存。 该存储库仅包含 DORN 模型的核心代码。 整个代码将保存在。 介绍 这是的的 PyTorch 实现。 预训练模型 DORN 的 resnet 主干，在第一 conv 层有 3 个 conv，与原始 resnet 不同。 resnet骨干网的预训练模型可以从下载 。 数据集 纽约大学深度 V2 未实现。 基蒂 根据 ，我们应该远离 eigen split 并切换到 。 更多详细信息，请参阅 。