说明：聪明的玩偶ENC

说明：作为INP-ENSEEIHT第三年项目的一部分开展的项目。

说明：DermaMNIST（MedMNIST）和Fitzpatrick17k数据集分析的数据和代码

说明：基于Tensorflow和Keras构建的疟疾图像检测二分类模型，结合CNN、数据增强、正则化和转移学习（VGG16）

说明：基于LLM的投诉多标签分类

说明：流程数据集：1）最佳图书2）营销活动

说明：从图像中识别250种不同的鸟类

说明：Annika和Mikkels提交的深度学习任务1

说明：进入文本嵌入的世界。本课程将指导您利用文本嵌入来增强各种自然语言处理（NLP）任务。

说明：使用混合卷积递归神经网络对绒猴叫声进行分类。

说明：客户洞察力和推荐系统：利用决策树、Logistic回归和随机森林模型进行行为分析。利用EasyOCR和Python Imaging Library进行图像信息提取。使用NLTK对文本数据进行情感分析

说明：PyTorch中的ViT纸张实现。

说明：本文档概述了使用Streamlit构建的web应用程序的特性和功能，该应用程序旨在从指定的URL或下拉选择中抓取新闻数据。然后使用RandomForestClassifier模型对刮取的数据进行分类，精度为90%，并在为此目的创建的自定义数据集上进行训练。

说明：番茄叶片病害预测

说明：基于不同人工智能ML模型的脑电信号分类

说明：在本报告中，我将使用《变形金刚》（Transformers）一书中的自然语言处理来描述几个预先训练的模型，例如。

说明：航空公司客户满意度预测分析

说明：这包括各种机器学习算法，如线性回归、逻辑回归、SVM、决策树、kNN等。这将为您提供使用python的机器学习算法的基本知识。您将学习PyTorch、熊猫、numpy、matplotlib、seaborn和各种库。

说明：该资源库包括蛇类的分类。它显示了实现最终精度所用的整个过程和模型。所使用的模型是CNN（卷积神经网络）、MobileNetV2和VGGNet。使用模型MobileNetV2的传输学习实现了最终精度

说明：银行流失二分类项目|实施集成建模技术的银行流失预测。

说明：LightGBM信用违约预测器+AWS部署（EC2+ECR）

说明：该项目专注于各种宝石的鉴定。该数据集由87个类组成。它显示了实现最终精度所用的整个过程和模型。您将获得计算机视觉的知识，使用的模型是CNN（卷积神经网络）、MobileNetV2和VGGNet，使用的最终模型是使用模型MobileNetV1的转移学习

说明：开始变革性的“机器学习100天”旅程。这个精心策划的存储库通过实践方法指导爱好者，涵盖基本的ML概念、算法和应用程序。每天，参与理论见解、实践编码练习和真实世界项目。平衡理论与实践经验。

说明：使用SPSS探索和分析虹膜数据集，以获得全面的分类见解。实现健壮数据分类的统计方法，并从这个众所周知的数据集中获得有价值的模式

说明：使用苹果质量数据集的深度学习

说明：一个具有许多功能（例如，文本和图像分类、聚类、相似性）的应用程序

说明：本项目旨在使用深度学习技术，特别是VGG-19卷积神经网络模型，检测和分类森林火灾。该模型被训练来分析图像，并准确地预测它们是否包含森林火灾的迹象。

说明：基于内容的图像检索（CBIR）是计算机视觉中的一个重要领域，它支持基于图像的视觉内容的有效探索和检索。

说明：Un banco Alemán requiere nuestros servicios para determinar el riesgo crediticio a la hora de otorgar Un préstamo a Un client y automatizar este processo utilizando Machine Learning。

说明：本文档概述了使用Streamlit构建的web应用程序的特性和功能，该应用程序旨在从指定的URL或下拉选择中抓取新闻数据。然后使用RandomForestClassifier模型对刮取的数据进行分类，精度为90%，并在为此目的创建的自定义数据集上进行训练。