Sparrow0hawk

raineydavid

# Author: Luke Schoen 2017
import pandas as pd
import numpy as np
import functools

# Create DataFrame
# df = pd.DataFrame(np.random.randn(10,2))

# Populate with NaN values
df = pd.DataFrame({'col1': ['1.111', '2.111', '3.111', '4.111'], 'col2': ['4.111', '5.111', np.NaN, '7.111'], 'col3': ['8', '9', np.NaN, np.NaN], 'col4': ['12', '13', '14', '15']})

jaspervdj

README

This has moved to https://github.com/jaspervdj/zurical

levelsio

<?
	# MIT license, do whatever you want with it
	#
	# This is my invoice.php page which I use to make invoices that customers want,
	# with their address on it and which are easily printable. I love Stripe but
	# their invoices and receipts were too wild for my customers on Remote OK
	#
	
	require_once(__DIR__.'/../vendor/autoload.php');

lizthegrey

default['sshd']['sshd_config']['AuthenticationMethods'] = 'publickey,keyboard-interactive:pam'
default['sshd']['sshd_config']['ChallengeResponseAuthentication'] = 'yes'
default['sshd']['sshd_config']['PasswordAuthentication'] = 'no'

mruv

import tensorflow as tf
import pandas as pd
from sklearn.model_selection import StratifiedKFold


def tf_cross_val_score(X, y, x_col_nms, n_classes):
    """
    Takes features, number of classes, labels and feature vector names and returns 3 validation scores.
    
    *X* Numpy ndarray - features

FrancoisMB

# -*- coding: utf-8 -*-
"""
Created on Thu Oct 26 18:32:47 2017

Supervised machine learning with scikit learn

L'objectif de ce tutoriel est de vous introduire à la manipulation de scikit-learn. 
Pour cela, on charge en mémoire de la donnée avant de voir comment mettre sur pied des modèles de machine learning supervisés. 
On verra ensuite comment ensembler les modèles, puis comment utiliser les procédures de cross-validation, comment utiliser la fonctionnalité de grid search (ainsi qu'un module supplémentaire s'intégrant très bien à scikit-learn, qui permet de faire du grid search évolutionnaire), comment utiliser la fonctionnalité d'élimination récursive des features.
Notez que le but de ce tutoriel est de comprendre comment un objet "modèle" peut être passé pour être transformé en objet "modèle cross validé" puis à nouveau passé pour être transformé en objet "modèle cross validé optimisé via grid search", puis à nouveau pour être transformé en "modèle ensemblé résultant de plusieurs modèles qui ont été cro

ltfschoen

# Author: Luke Schoen 2017
import pandas as pd
import numpy as np
import functools

# Create DataFrame
# df = pd.DataFrame(np.random.randn(10,2))

# Populate with NaN values
df = pd.DataFrame({'col1': ['1.111', '2.111', '3.111', '4.111'], 'col2': ['4.111', '5.111', np.NaN, '7.111'], 'col3': ['8', '9', np.NaN, np.NaN], 'col4': ['12', '13', '14', '15']})

spro

import torch
import torch.nn as nn
from torch.nn import functional as F
from torch.autograd import Variable
from torch import optim
import numpy as np
import math, random

# Generating a noisy multi-sin wave 

drrk

---
driver:
  name: azurerm

driver_config:
  subscription_id: '4801fa9d-YOUR-GUID-HERE-b265ff49ce21'
  location: 'West Europe'
  machine_size: 'Standard_D1'

transport: