文件名称：毫升项目
文件大小：188.21MB
文件格式：ZIP
更新时间：2024-03-04 11:03:51
JupyterNotebook
毫升项目 Kaggle竞赛-M5预测竞赛-准确性 最终结果使用了两个神经网络模型的集合：1）每个定价和存储的基于定价的密集网络2）每个时间序列簇使用LSTM的模式模型（时间序列聚类在相关矩阵上） 结果是通过神经网络实现的，而光梯度提升机则是本次比赛中竞争对手的最爱。 私人分数：最高7％：386/5558 Kaggle竞赛-分类特征编码挑战2 Kaggle竞赛的机器学习工作流程：分类特征编码挑战II。 该工作流探索使用均值编码，降噪技术以及具有张量流的分类嵌入层。 私人排行榜得分（AUC）：0.78685 排名第一的私人排行榜得分（AUC）：0.78820 Kaggle竞赛-预测未来的销售 预测未来销售：“如何赢得数据科学竞赛” Coursera课程的最终项目，这是高级机器学习专业的第二部分。 目标是预测每个月Novemeber商店中商品的月销售额。 训练数据集中提供了33个月
【文件预览】：
ml-projects-master
----1d-convolutional-network-AU-tempuratue-prediction.py(5KB)
----Density-Factorization()
--------kernelml-hierarchical-density-factorization.ipynb(3.29MB)
----README.md(6KB)
----Kaggle-Categorical-Feature-Encoding-Challenge-2()
--------.DS_Store(6KB)
--------data.zip(40.37MB)
--------cat-data-ii.ipynb(136KB)
----Kaggle-Predict-Future-Sales()
--------predict-future-sales.ipynb(881KB)
--------data.zip(15.85MB)
----Particle-Swarm-Optimization-On-GPU()
--------support_vector_machine_gpu_optimization.ipynb(38KB)
--------.DS_Store(6KB)
----Deep-Autoregressive-Model()
--------deep-autoregressive-model-v1.ipynb(1.02MB)
--------data()
----Kaggle-M5-Forecasting-Accuracy()
--------m5-lstm-model.ipynb(25.2MB)
--------m5-pricing-agg-model.ipynb(99.35MB)
----Deep-Ordinal-Logistic-Regression()
--------deep-ordinal-regression-v2.ipynb(330KB)
--------data()
----CapOne-Challenge()
--------README.md(32B)
--------capone-challenge.ipynb(793KB)
--------utils.py(4KB)
--------transactions.zip(29.11MB)
--------catboost_info()
--------best_catboost_model(4.09MB)
--------.DS_Store(6KB)
----.DS_Store(12KB)
----Docker-TensorFlow-Serving()
--------README.md(814B)
--------mobilenet_final()
--------create_container.ps1(344B)
--------save-pretrained-savedmodel.py(852B)
--------docker_container()
--------input_name.txt(17B)
--------call-model-server.py(1KB)
----data()
--------bostonhousing_ord.csv(33KB)
--------stock_ord.csv(51KB)
--------.DS_Store(6KB)
--------kc_house_test_data.csv(481KB)
--------kinematics.csv(727KB)
--------kc_house_train_data.csv(1.93MB)
----autoregressive-model-AU-tempuratue-forecast.py(10KB)