معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

The description of the package

ویژگی	مقدار
سیستم عامل	-
نام فایل	aiandml-1.0.6
نام	aiandml
نسخه کتابخانه	1.0.6
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Ashlesh M D
ایمیل نویسنده	ashleshmd@gmail.com
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/aiandml/
مجوز	-

MACHINE LEARNING LABORATORY [As per Choice Based Credit System (CBCS) scheme] (Effective from the academic year 2018 - 2019) SEMESTER â€“ VII Subject Code 18CSL76 CIE Marks 40 Course Learning Objectives: This course (18CSL76) will enable students to: Implement and evaluate AI and ML algorithms in and Python programming language. Descriptions (if any): Programs List: 1. Implement A* Search algorithm. 2. Implement AO* Search algorithm. 3. For a given set of training data examples stored in a .CSV file, implement and demonstrate the Candidate-Elimination algorithm to output a description of the set of all hypotheses consistent with the training examples. 4. Write a program to demonstrate the working of the decision tree based ID3 algorithm. Use an appropriate data set for building the decision tree and apply this knowledge to classify a new sample. 5. Build an Artificial Neural Network by implementing the Back propagation algorithm and test the same using appropriate data sets. 6. Write a program to implement the naive Bayesian classifier for a sample training data set stored as a .CSV file. Compute the accuracy of the classifier, considering few test data sets. 7. Apply EM algorithm to cluster a set of data stored in a .CSV file. Use the same data set for clustering using k-Means algorithm. Compare the results of these two algorithms and comment on the quality of clustering. You can add Java/Python ML library classes/API in the program. 8. Write a program to implement k-Nearest Neighbour algorithm to classify the iris data set. Print both correct and wrong predictions. Java/Python ML library classes can be used for this problem. 9. Implement the non-parametric Locally Weighted Regression algorithm in order to fit data points. Select appropriate data set for your experiment.

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl aiandml-1.0.6:

pip install aiandml-1.0.6.whl

نصب پکیج tar.gz aiandml-1.0.6:

pip install aiandml-1.0.6.tar.gz