ML ProjectKart下載ML ProjectKart源代碼下載

歡迎來到ML-Projectkart？

？存儲庫

這款卡丁車根據機器學習，深度學習，計算機視覺，自然語言處理以及所有內容展示了所有項目中最好的收藏。沉迷於開源旅程。

主要目的是提供一個高效且友好的項目，可以幫助您掌握ML/AI算法並使您熟悉。將自己帶入專業人士，並通過所有能夠掩蓋您的動手。

？加入這裡

任何與技術有關的人都希望為開放源代碼做出貢獻，都被邀請參加。這個地方都有為每個人的任務。

數據分析師- 解決問題。獲取，探索並準備數據

機器學習，深度學習，計算機視覺，自然語言處理愛好者- 嘗試不同的算法，構建模型，優化模型。

如果您曾經從事或想啟動一個獨特的項目並想與世界分享，則可以通過這裡做到這一點。遵守貢獻的貢獻指南？ ‍

當您的末尾（或）從問題選項卡中提出問題以添加一個項目時，請盡可能多地詳細介紹您將要執行的任務。

隨後，還可以通過GITHUB文檔來創建拉動請求。

瀏覽令人驚嘆的項目的卡丁車

S.NO	項目名稱	描述
01。	廣告點擊預測	該項目的目的是使用廣告分類algortihms製作預測模型，該模型將根據用戶信息預測所需的AD。
02。	廣告成功預測	在此項目中，我們將使用廣告數據集，指示是否單擊廣告。
03。	年齡，性別和種族預測	該項目的目標是能夠通過查看一個人的形象來預測一個人的年齡，性別和種族。
04。	空氣質量預測	該項目的目的是預測空氣質量指數（AQI）形式作為顆粒物（PM2.5和PM10），氮氧化物（NO），一二氧化氮（NO2），一氧化碳（CO），二氧化碳（CO），二氧化硫（SO2），SO2），Ozone（O3），Ozone（O3）等
05。	Airbnb價格預測	該項目的目標是建立一個預測模型，該模型將使用不同的參數預測Airbnb酒店的價格。
06。	航空公司的客運	該項目的目的是對乘客滿意度數據和數據預處理進行分析，以準備數據並預測乘客是否對航空公司服務滿意。
07。	羊駝的識別	該項目的目的是使用深神經網絡製作標識暨分類模型，該網絡將從用戶給定輸入中識別羊駝的圖像。
08。	亞馬遜Alexa評論	該模型根據評分，變化和經過驗證的評論等功能來預測Amazon Alexa用戶的反饋。
09。	亞馬遜書籍分析	關於書籍是使用Goodreads的小說還是非小說的預測。
10。	亞馬遜數據分析	該項目的目的是根據數據集中給出的cuustomer的評論，文本和得分來預測客戶的投票。
11。	亞馬遜手機評論分析	這是用於分析客戶評論不同產品的主要技術之一，並從評論中找到必要的見解。主要思想是對評論進行分類並確定客戶對產品的滿意程度。
12。	亞馬遜產品評論分類	該項目的目的是建立一個分類模型，該模型將對Amazon Inc網站中的產品審查進行分類，以便可以幫助公司改善自己的改善，並且可以根據用戶的經驗來糾正他們的錯誤。
13。	美國手語（ASL）認可	該項目的目的是認識到該人試圖使用不同的手勢傳達的內容。該數據集包含29個類，其中包括A到Z字母，Nothing，空間和刪除手勢。
14。	使我生氣！	這是一個簡單的OPENCV項目，將輸入圖像轉換為卡通
15。	動漫推薦系統
16。	電器能量預測	該項目的目的是建立一個預測模型，該模型將根據給定數據集預測設備的融合消耗。
17。	自動論文分級	該項目的目的是建立一個預測模型，該模型將為學生寫的論文提供評分。
18。	AVITO產品分析和價格預測	在Avito廣告網站的產品數據集上執行探索性數據分析，並開發ML模型以預測網站中其他產品的價格。
19。	球圖像分類	該項目的目的是建立一個深度學習模型，該模型將使用票據神經網絡對不同類型的球的圖像進行分類，這是Mobilenet架構的確切地說。
20。	孟加拉國超級聯賽分析
21。	銀行客戶預測	預測因某些損失和其他問題而從銀行提取帳戶的客戶。
22。	自行車崩潰分析	該項目的目的是根據各種因素分析數據集，並取決於預測模型的各種因素，該模型將預測易於景點。
23。	自行車租賃需求分析	該項目的目的是預測自行車租賃服務的需求。該項目預測客戶要求需求的即將到來的性質。
24。	自行車共享預測	該項目的主要目標是在不同的季節，工作日，風雨等的情況下分析自行車份額的數量，並基於該培訓模型，以預測在給定情況下的自行車用戶數量。
25。	鳥類分類和識別	目的是用基本零件（例如輸入管道，組成模型，數據增強等）來完成一個端到端的計算機視覺問題。
26。	比特幣價格預測	該項目的主要目的是預測比特幣的價格。
27。	黑色星期五銷售 - 分析和預測	該項目的目的是分析和預測黑色星期五銷售中的購買，從功能中，作為年齡段，性別，職業，產品類別等。
28。	棋盤遊戲評論預測	該項目的目標是 - 最受歡迎的遊戲類別是什麼？我們可以使用可預測用戶評級的可用數據構建模型？哪些因素是最好的“現代”棋盤遊戲。
29。	體內脂肪預測	目的是預測一個人的體內脂肪百分比。
30。	書類型預測	該項目的目的是建立一個預測本書類型的預測模型。
31。	書籍推薦系統	該項目的目標是建立一個建議系統，該系統將根據用戶的輸入給出的搜索結果推荐一本書。
32。	腦腫瘤檢測和分類	該模型通過處理患者的MRI掃描來檢測腦腫瘤的存在。
33。	腦體重預測	該項目的目的是建立一個預測模型，該模型將根據頭部大小來預測人腦的重量。
34。	巴西解僱預測	預測巴西國家發生的火災數量。
35。	乳腺癌預測	目的是預測乳腺癌。
36。	校園安置預測	目的是預測學生是否根據自己的百分比和其他因素放置。
37。	校園招聘 - 分析和預測	該項目的目的是分析可以影響校園招聘的因素，並創建一個模型，該模型可以預測根據各種因素而被放置的機會。
38。	驗證碼解碼	該項目的目的是創建一個深度學習模型，該模型將識別驗證碼字母。
39。	汽車品牌分類	該項目使用機器學習對汽車品牌進行了分類。
40。	汽車保險預測
41。	汽車價格預測	主要目標是預測具有可用自變量的汽車價格
42。	卡地亞珠寶分類	該項目的目的是製定分類模型，該模型將根據各種功能對珠寶進行分類。
43。	使用Kmeans的卡通化
44。	貓VS狗分類	該項目的目的是對狗還是貓的圖像進行分類。
45。	宮頸癌風險預測	業務目標是建立一個機器學習預測模型，該模型可以預測活檢測試的結果，從而確認患者的宮頸癌的存在/非表達。
46。	流失風險評分預測	該項目用於根據相關功能預測網站的流失分數
47。	使用MNIST和CIFAR10分類圖像	精確地對圖像進行分類和預測。
48。	咖啡生產預測	該項目的目標是建立一個預測模型，該模型將從1990 - 2018年開始提供咖啡的總產量。
49。	使用機器學習的顏色識別	該項目定義了我們要求看到的顏色，而不是顯示顏色對象。
50。	具體強度預測	該項目的目的是從粉煤灰，爆炸爐爐灶，水，細骨料，粗骨料，水泥，年齡等的特徵預測混凝土的強度。
51。	棉花疾病預測	該項目使用RESNET152V2模型的轉移學習預測棉樹疾病。
52。	covid19_data-Analysis	目的是預測個人在積極測試時可能需要哪種資源，甚至在此之前對當局有很大幫助，因為他們能夠採購併安排挽救該患者壽命所需的資源。
53。	COVID-19數據分析	該項目的目的是使用數據可視化分析由於19號大流行引起的情況。
54。	信用卡欺詐檢測	該項目的目的是使用機器學習模型預測欺詐性信用卡交易。
55。	作物肥料分析和預測
56。	作物推薦系統	該項目的目的是使用裁剪建議數據集構建推薦模型。
57。	作物產量預測	該數據集專注於不同的農作物，這些農作物可以反映出價格區域和其他屬性，可以通過使用一些更好的屬性來預測未來的價格產量。
58。	冷凍療法分析	在這個項目中，我們將分析冷凍療法數據集，並將部署多種機器學習算法模型。
59。	客戶收入細分分析
60。	客戶建模分析
61。	客戶區域分類	目標是使用隨機森林分類器模型預測客戶區域。
62。	DNA測序分類	在這個項目中，我們將了解如何解釋DNA結構以及如何使用機器學習算法來構建DNA序列數據上的預測模型。
63。	舞蹈表格分類	該項目的目標是對各種舞蹈形式的圖像進行分類，並使用深度學習方法準備分類模型。
64。	蒲公英識別	該項目的目標是創建分類模型，該模型將識別來自模型的圖像的蒲公英。
65。	氣象數據的數據分析	它分析了2006年至2016年在芬蘭的最後10年的氣象天氣數據，以檢查全球變暖的增加。
66。	DEEPQ網絡
67。	在視頻中檢測運動和移動對象
68。	糖尿病預測	目的是預測一個人是否患有糖尿病使用邏輯回歸和SVM模型。
69。	鑽石價格預測	目標是預測鑽石的價格。
70。	疾病症狀預測	該項目的目的是使用本數據集中包含的信息來預測疾病的症狀。
71。	迪士尼樂園評論分析	該項目的目的是使用NLP分析來自世界不同國家的訪客的評論。
72。	狗品種識別	該項目是關於預測狗的品種，這對非專家的人有幫助。
73。	Dogecoin價格預測	該項目的目的是建立一個預測模型，該模型將根據以前的參數預測未來的狗狗幣的價格。
74。	駕駛員嗜睡檢測系統	該項目的主要目的是如果駕駛員入睡，以避免與嗜睡相關的道路賽車。
75。	干豆分類	目標是預測干豆。
76。	電子郵件分類	該項目根據消息將電子郵件分類為垃圾郵件或不垃圾郵件。
77。	使用OpenCV的表情符號分類	該項目的目的是製作一個模型，該模型將預測使用輸入圖像所顯示的情緒。而且它將對給定圖像中顯示的特定情感進行分類。
78。	情緒分類	該項目的目的是創建一個模型，該模型將根據數據集中提供的文本對不同的情緒進行分類。
79。	使用NLP識別情緒	通過發送文本輸入來確定數據是正，負還是中性的，它使用NLP技術使用NLP技術。
80。	員工保留預測	該項目圍繞該想法進行圍繞，以提供基本的建模技術，以分類員工是否會根據數據集中的某些功能離開公司。
81。	英語字母分類	該項目的目的是識別英語Apphabets的計算機化生成的圖像。該數據集包含26個類，其中包含A到Z字母，每個類包含100張圖像。
82。	出口分類	該項目的目的是使用回歸算法構建分類模型，例如線性回歸，隨機森林回歸，決策樹回歸和更多算法。
83。	面部聚類
84。	臉檢測和模糊
85。	使用DCGAN面對面	該項目的主要目標是獲得一個發電機網絡，以生成新的面孔圖像，這些圖像使用面部數據集中的DCGAN看起來盡可能逼真。
86。	使用OpenCV面罩檢測	這是一個面罩檢測項目，它使用Haar Cascades和Caffe框架方法進行面部檢測和一個填充的Mobilenetv2模型來檢測面部的面具，以實時視頻流作為輸入。
83。	使用深度學習面對驗證
84。	使用PCA的面部檢測	使用主成分分析（PCA）實施面部檢測，以降低大數據集的維度。
85。	使用機器學習的面部表情識別
86。	假貨幣預測	目的是預測給定的音符是否是假的，是否使用機器學習模型。
87。	假新聞檢測	該項目的目的是使用不同的文本提取NLP技術來檢測新聞是真實的還是假的。
88。	虛假工作發布預測	該項目的目的是預測JOD員工是否有虛假工作還是真實。
89。	時尚MNIST分類	將各種衣物分組分組
90。	魚重預測	該項目的主要目標是使用線性回歸模型預測任何魚的重量。
91。	飛行延遲預測	該項目的主要目的是使用機器學習模型預測航班中的未來延誤。
92。	飛行票價預測	該項目的目的是預測使用機器學習模型涵蓋不同路線的不同航空公司的票價。
93。	洪水預測
94。	鮮花識別	該項目的目的是從用戶上傳的圖像中識別花名。
95。	足球比賽預測	該項目的目的是根據預測模型來預測比賽冠軍。
96。	足球隊評級預測	目標是預測足球隊的評分。
97。	森林覆蓋類型分類	該項目使用隨機森林分類模型將森林覆蓋類型分類的主要目標。
98	森林火災預測	預測森林大火中燃燒的區域。
99	脆弱價格預測	預測脆弱的價格。
100。	新鮮的工資預測	該項目的主要目標是根據學科，學位，百分比等來預測新生學生的薪水。
101。	油耗分析	該項目的目的是根據氣體類型預測消費。它可用於確定天氣，速度或氣體類型對汽車消耗的影響。
102。	獲得了情節IMDB評級預測	該項目的目的是創建一個預測模型，該模型將根據GOT的觀點和季節來預測《權力的遊戲》系列劇集的IMDB評分。
103。	使用DL的性別分類	性別分類旨在基於區分男性氣質和女性氣質的特徵來認識一個人的性別。
104。	德國交通標誌分類	目的是自動對流量標誌進行分類。
105。	玻璃分類	該項目的目的是使用每類玻璃中存在的礦物百分比對玻璃類型進行分類。
106。	黃金價格預測	該項目的目的是使用不同的EDA技術進行分析金價，並最終訓練不同的模型以預測黃金的價格。
107。	研究生入學預測	從印度的角度來預測研究生的入學。
108。	槍檢測
109。	手寫數字識別	該項目的主要目的是識別人類的手寫數字。
110。	心髒病發作分析	這項練習的目的是確定影響心髒病發作的參數並為心髒病發作的預測建立ML模型。
111。	心髒病預測	該項目可以根據年齡，膽固醇水平，血糖水平等的特徵來預測心髒病。
112。	高度和權重預測	該項目的目的是使用回歸算法構建預測模型，以預測身高和體重。
113。	蜜蜂花粉檢測	該項目的目的是對蜜蜂的圖像進行分類，以檢測它們是否攜帶花粉顆粒。
114。	馬或人類分類	該項目的目的是創建一個模型，能夠對馬和人類進行分類。
115。	酒店預訂預測	目的是預測預訂的可能性，無論預訂是否成功。
116。	酒店評級預測	該項目的目的是使用九個機器學習模型為酒店評級預測建立模型。
117。	房價預測	該項目可以在基本特徵的幫助下預測位於美國城市的房屋價格。
118。	使用智能手機識別人類活動	該項目的目的是建立一個模型，以使用多個智能手機傳感器錄製的數據來預測人類活動，例如Walking_upstairs，Walking_downsairs，坐著，站立或鋪設。
119。	IMDB情感分析	該項目的主要目的是預測IMDB電影評論的觀點。
120。	IPL得分預測	該項目的目的是預測IPL比賽中一局的得分。
121。	IPL贏家預測	該項目的目的是對IPL數據進行分析並預測IPL匹配的獲勝者。
122。	虹膜花分類	該項目是將花在三種不同類型的三種類型中分類。
123。	冰淇淋收入預測	這是一個冰淇淋收入預測，可預測冰淇淋的每日收入，具體取決於溫度特徵。
124。	使用集群的圖像壓縮	該項目有助於使用K-均值聚類來壓縮圖像。
125。	成像網分類	Imagenet是根據WordNet層次結構（目前僅是名詞）組織的圖像數據庫，其中層次結構的每個節點都被數千張圖像描繪。
126。	收入預測網絡應用	該項目的主要目標是根據給定的有關人的主持人信息，找出一個人的收入超過5萬美元（> 50k）和小於或等於50k美元（<= 50k）。
127。	保險索賠預測	該項目的目的是將保險索賠分為0或1（如果保單持有人會索取保險）的特徵，年齡，兒童數量，BMI，住宅區等。
128。	腎結石預測	該項目的目的是創建一個預測模型，該模型將根據石頭的大小和處理類型來預測腎結石操作的成功率。
129。	樂高的縮影	該項目包含不同姿勢中各種樂高縮影的許多圖片的數據集或用於圖像分類任務的不同環境的數據集。
130。	筆記本電腦價格預測	該項目的目的是建立一個預測模型，該模型將根據各種因素（例如大小，公司，設置等）預測筆記本電腦的價格！
131。	車牌檢測和認可	該項目是為了檢測和識別車輛的車牌。
132。	貸款資格預測	該項目的主要目標是預測客戶從公司獲得貸款的資格
133。	MBA專業分類	該項目的目的是找出MBA學生，他們將根據使用分類算法的過去活動在MBA職業中獲得良好的成績。
134。	瘧疾疾病檢測	該項目的目的是認識到人細胞的形像是否感染了瘧疾疾病。
135。	男性和女性眼睛分類	該項目的目的是創建一個分類模型，該模型將根據數據集中給出的眼睛圖像對性別進行分類。為此，我們將使用卷積神經網絡的不同體系結構。
136。	購物中心客戶細分	該模型將根據參數細分客戶。
137。	馬拉鬆時間預測	該項目的目的是使用數據集中的給定詳細信息來預測馬拉鬆的時間。
138。	大理石表面異常檢測	該項目的目的是建立一個檢測模型，該模型將檢測出存在的大理石類型。
139。	吸煙者和非吸煙者的醫療費用分析	該項目包括一個事實，即吸煙者和非吸煙者可以更改普通藥品費用。
140。	MEMPOOL預測	詳細預測MEMEPOOL。
141。	移動價格範圍分類	在這個項目中，我們不必預測實際價格，而是一個指示價格高的價格範圍。
142。	電影奧斯卡贏得預測	該項目的目標是建立一個預測模型，該模型將預測獲得奧斯卡獎的機會。
143。	電影推薦系統	該項目將幫助人們推薦電影，並提供電影名稱。
144。	蘑菇分類	該項目全部旨在部署分類算法和比較模型。
145。	音樂流派分類	該項目的目的是創建一個模型，該模型將根據選定的歌曲對所有10種流派進行分類。可以從數據集或任何其他源中選擇歌曲。歌曲格式必須以.WAV格式和30秒鐘的持續時間進行分類。
146。	NASA小行星分類	該項目有助於對NASA小行星進行分類，並檢查負責聲稱小行星是否有害的功能。
147。	NBA分析和預測	預測NBA球員在2013-2014賽季得分的得分數量。
148。	自然圖像分類	該項目的目的是使用神經網絡和深度學習來建立自然圖像的分類模型。
149。	Netflix EDA和推薦系統	該項目旨在從詳細的EDA中獲得見解，並建議下一步觀看哪部電影。
150。	使用OpenCV檢測對象檢測	了解計算機視覺庫（例如OpenCV），並使用預審預定的重量的深度學習模型檢測到各種對象。
151。	奧林匹克獎牌預測	該項目的目標是建立一個預測模型，該模型將預測運動員是否會贏得獎牌。
152。	器官捐贈者的預測	該項目的目的是使用本數據集中包含的信息來預測捐助者。
153。	巴黎住房分類	目的是預測巴黎住房。
154。	帕金森氏病預測	該項目有助於找到帕金森氏病的原因，並被預測患有這種疾病。
155。	密碼強度分類器	該項目的目的是對數據集中給出的密碼進行分類和預測。
156。	波斯車牌字符標識	該項目的目的是建立一個檢測模型，該模型將檢測波斯數字板的不同字符。
157。	網絡釣魚網站檢測	該項目的目的是建立一個檢測模型，該模型將使用機器學習算法根據各種因素來檢測網站。
158。	植物疾病預測	該項目的目標是通過查看所提供的圖像來確定植物的狀況。
159。	植物幼苗分類	該項目的目的是建立植物幼苗分類模型。這裡使用的架構是Resnet，Alexnet，VGG，Inception，Mobilenet，Squeezenet，Densenet部署分類模型。
160。	預測未來的銷售	預測未來的銷售。
161。	私人公司的預測	預測私人有限公司的數量。
162。	生產力預測	在服裝行業的決策者中，非常需要跟踪，分析和預測工廠工作團隊的生產力績效。
163。	鐵路軌道故障檢測	預測鐵路軌道故障。
164。	雨預測	Raintomorrow是基於某些給定特徵的目標變量。
165。	REDDIT推文預測	詳細預測不同的Reddit推文。
166。	餐廳推薦系統	該項目的目標是建立一個推薦系統，該系統將推薦用戶成為他們想要的最佳餐廳。
167。	簡歷分類	該項目的目的是建立使用八個機器學習模型進行簡歷分類的模型
168。	道路車道檢測	該項目是道路車道檢測的模型，該模型將從將是用戶的圖像中檢測出路車道。
169。	工資預測	該項目的目的是根據某些參數預測工資。
170。	工資範圍分類	該項目的目的是將薪資範圍從公司，工作，學位等進行分類。
171。	諷刺檢測	該項目的目的是使用分類算法從新聞頭條數據集中檢測諷刺，並比較算法以找出哪個更好。
172。	肩部X射線分類	該項目的目的是創建一個分類模型，該模型將對肩X射線的不同圖像進行分類，並預測或檢測圖像的類型！
173。	手語預測	手語預測項目有助於從提供的圖像中識別手語。
174。	Snapchat過濾器	我們將藉助一些python編程語言在某些庫的幫助下構建自己的Snapchat過濾器。
175。	Snapchat女巫過濾器
176。	社會距離探測器
177。	社交網絡影響者預測	挑戰的目的是訓練機器學習模型，對於一對個人而言，它可以預測人類對誰具有更高準確性更具影響力的判斷。
178。	土壤水分預測	該項目的目的是預測土壤中存在的水分。
179。	日食分類	該項目的目的是對太陽能的主要類型進行分類，即：p =部分食物，a =環形食物，t =總食食，h =雜交或環形/整個日食。
180。	太陽輻射預測	目的是預測太陽的輻射。
181。	歌曲類型分類	該項目的目的是使用Spotify數據集構建歌曲類型分類模型。
182。	垃圾郵件電子郵件檢測	該項目預測收到的消息是垃圾郵件還是火腿。
183。	言語情感識別	目的是在說話時預測人的情感。
184。	堆棧溢出問題質量評級預測	該項目的監獄是建立一個預測模型，該模型將根據各種因素來預測堆棧溢出網站中問題的質量。
185。	恆星輻射分析和庇護	該項目的目的是分析和預測恆星輻射並從相同的情況下執行詳細的可視化。
186。	星星，星系和類星體分類	該項目的目的是根據恆星，星系和類星體收集的數據製作完美的分類模型。
187。	啟動利潤預測	目標是預測初創企業的利潤。該數據集包含大約50家初創企業的數據。它有5列：“研發支出”，“管理”，“營銷支出”，“州”，“利潤”。
188。	股票價格預測	目的是預測將來的股票價格，並根據算法提供的結果撥打電話。
189。	股票和加密研究分析
190。	壓力水平預測	該項目的目的是從調查響應中獲得的功能預測壓力水平。
191。	中風預測	該項目的目的是預測一個人的中風率。
192。	學生表現預測	該項目的目的是從學習時間，失敗，空閒時間，健康狀況，外出，第一期成績，第二階段等級等方面預測學生的最終成績。
193。	超市銷售預測	預測超市銷售。
194。	恐怖襲擊預測	使用回歸模態對給定數據集的分析和恐怖襲擊的預測。
195。	測試分數預測	項目的目的是構建機器學習算法以預測學生的分數。
196。	俄羅斯方塊對象計數器	該項目的目的是識別給定的俄羅斯方塊輸入圖像中的所有俄羅斯四角對象（四鍵）並返回計數。可以看出，在遊戲玩法中，俄羅斯方塊塊被打破了，該程序也應該能夠識別此類塊。
197。	文本分類
198。	文本摘要	該項目的目的是創建一個模型，該模型將總結用戶提供的文章。
199。	泰坦尼克號生存預測	使用機器學習來創建一個模型，以預測哪些乘客在泰坦尼克號的沉船殘骸中倖存下來。
197。	東京奧運會可視化數據分析
198。	交通標誌分類	該項目的目的是使人類可讀的交通標誌分類。
199。	抽水機分析	目的是進行分析並預測每個流獲得的追隨者。
200。	Twitter情感分析	該項目有助於使用Twitter上發布的文本數據來分析情感，以通過將語句歸類為正，負或中性。
201	美國天氣歷史可視化	目的是分析美國天氣歷史記錄的12個月數據並通過圖表顯示結論並顯示它們。
202。	美國房屋定價預測	該項目的目的是建立一個預測模型，該模型將根據給定的功能預測美國房屋的價格。
203。	Uber票價預測	該項目有助於預測為Uber旅行人員收取費用。
204。	車輛圖像分類	該項目的目的是對車輛形象進行分類。
205。	使用OpenCV的車輛和行人跟踪
206。	語音性別識別
207。	沃爾瑪銷售預測	該項目的主要目的是預測沃爾瑪的未來銷售。
208。	廢物分類	該項目的目的是認識廢物的形像是有機廢物還是可回收廢物
209。	水質預測	該項目表明水是否可以安全地用於人類消費，其中1表示飲用水，0表示不可飲用。
210。	網頁網絡釣魚檢測	Many people get scammed by this Web page phishing technique. Detecting them can save people from getting scammed. Hackers usually blackmail the people to get their personal information back. Identifying this techniques can save millions.
211。	Wine Quality Prediction	This model predicts the quality of wine based on some features like pH, fixed acidity, citric acid etc. using SVM and Random forest algorithm.
212。	World Happiness Report Analysis	The aim of the project is to predict happiness scores and rankings and perform a detailed analysis and visualization of the training dataset and create a model.
213。	World Population By Year Analysis
214。	World Poverty Analysis	The goal of this project is to analyze the world poverty using dataset.
215。	Yotube Video Recommendation System	The model will recommend the video titles on proving the search query by user.
216。	Zomato Banglore Resturants Recommendation	The aim of this project is analyse a dataset and recomend the user for top restaurants in bangalore.
217。	Zoo Animal Classification	The goal of this project is to predict the zoo animal based on some classifications using machine learning model.
218。	Body Parts Classification
219。	Discussion Forum Prediction
220。	Mortality Rate Analysis & Prediction
221。	Named Entity Recognition
222。	Ramen Noodles Rating Analysis
223.	News Articles Classification
224.	Prediction of Subject based on Question (NLP)
225。	Salt Deposits Identification & Prediction

項目結構

Your projects should contain this flow to maintain similarity across all other projects. Make sure to note these things, before you create a PR.

Dataset - This folder would have a .csv file.

Model - This folder would have your project file (that is .ipynb file) be it analysis or prediction. Other than project file, it should also have a 'README.md' using this template and 'requirements.txt' file which would be enclosed with all needed add-ons and libraries that are included in the project. (.Pkl file if available)

Images/Screenshots - This folder would have images added if applicable.

Workflow:

分叉存儲庫
Clone your forked repository using terminal or gitbash.
Make changes to the cloned repository
Add, Commit and Push
Then in Github, in your cloned repository find the option to make a pull request

print("Start contributing for ML-ProjectKart")

？ Templates to Follow

Feature request
Bug Report
Pull Request
README

Note : One should follow these templates while creating a new issue or pull request.

Things to Note

Make sure you do not copy codes from external sources because that work will not be considered. Plagiarism is strictly not allowed.
You can only work on issues that have been assigned to you.
If you want to contribute the algorithm, it's preferrable that you create a new issue before making a PR and link your PR to that issue.
If you have modified/added code work, make sure the code compiles before submitting.
Strictly use snake_case (underscore_separated) in your file_name and push it in correct folder.
Do not update the README.md.