在金融二级市场上对数据的分析方法主要是基于统计学和人工建模的方法，本文的提出了使用神经网络的方法分析二级市场金融数据。本文首先提出了在金融二级市场上使用神经网络方法的思路，其次证明了在二级市场使用神经网络进行数据分析的可行性，并且根据金融数据的特点设计出一种适合于处理金融数据的CNN-LSTM网络来处理数据。该网络对比传统的简单的统计方法和一些神经网络方法比如逻辑回归，卷积神经网络（CNN），长短期记忆网络（LSTM）等方法，在对市场价格变化在较短时间内的预测和在较长时间内的预测都有显著的提高，比简单的统计方法提高10%，比其他神经网络提高5%。提出了一种能够较为有效分析金融二级市场数据的方法。

经常要做汇报，还要做PPT，所以上传一些自己做的PPT做个保留，有人下载那就更好啦

植物病害检测仪 由和创建 我在中的 在经过预处理的数据集上训练模型，可以在下载。 本地设置 当地的： 建议在虚拟环境中设置项目，以保持依赖关系分离。 激活您的虚拟环境。 通过运行pip install -r requirements.txt安装依赖项。 通过运行python app/server.py serve启动服务器。 访问进行探索和测试。 码头工人： 确保Docker已安装在您的本地计算机中。 了解如何安装Docker 。 苹果电脑： $ git clone https://github.com/imskr/Plant_Disease_Detection.git $ cd Plant_Disease_Detection $ docker build -t fastai-v3 . $ docker run --rm -it -p 8080:8080 fastai-v3

基于SVM与CNN的ECG信号心律失常诊断论文

直接跑xgb的代码可以出csv提交。 比赛网址： : 比赛数据： : 比赛类型：多分类问题 阿榜排名 方案1：LightGBM模型0.81245（2018-09-13 23:13） 方案2：XGBoost模型0.8254排名30th / 1153（2018-09-14 14:23:04） XGBoost的关键参数 max_depth = 12，learning_rate = 0.05，n_estimators = 752，silent == True，objective =“ multi：softmax”，nthread = 4，gamma = 0，max_delta_step = 0，subsample = 1，colsample_bytree = 0.9，colsample_bylevel = 0.9，reg_alpha = 1，reg_lambda = 1，scale_po

针对电力系统运行中对于电力变压器进行高效、准确的故障诊断需要，文中提出了一种基于卷积神经网络的电力变压器故障诊断方法。利用电力变压器油中溶解气体分析法得到特征气体并重新对其进行二进制编码，对编码后的数据进行预处理从而得到特征向量。以特征向量为基础，构建相应的卷积神经网络模型，实现对电力变压的故障诊断。实验结果表明，相较于其他传统机器学习算法，文中所提出的卷积神经网络模型在电力变压器故障诊断时的诊断准确性与诊断效率均有显著优势，能够有效保障电力系统运行的可靠性。

在通过嘴部进行人机交互的场景下，外界光线变化、小目标检测的复杂性、检测方法的不通用性等因素给不同场景下嘴部的识别带来了很大困难.该文以不同场景下的人脸图像为数据源，提出了一种基于改进Faster R-CNN的人脸嘴部识别算法.该方法在Faster R-CNN框架中结合多尺度特征图进行检测，首先将同一卷积块不同卷积层输出的特征图结合，然后对不同的卷积块按元素进行求和操作，在输出的特征图上进行上采样得到高分辨率的表达能力更强的特征，从而提高了嘴部这种小目标的检测性能.在网络训练试验中运用多尺度训练和增加锚点数量增强网络检测不同尺寸目标的鲁棒性.实验表明，相比于原始的Faster R-CNN，对嘴部的检测准确率提高了8%，对环境的适应性更强.

人脸识别是自1960年以来的一项创新性创新，并定期采用不同的真实应用程序来增强其策略。 为了增强人脸确认的执行，已经创建了许多计算和方法。 到目前为止，针对桌面应用程序的深度学习已进行了广泛的研究。 卷积神经网络可以与最终目标一起使用，以提取重要的面部高光。 这些亮点被允许以富有成效的方式考虑它们之间的外观。 该框架可以准备好感知个人的安排。 我们提供了可以利用此人脸识别创新进行生产的不同应用程序。 本文的目的是通过使用各种接近度估计（相似度指数），研究在各种障碍条件下利用图像进行的深度CNN设计在人脸识别中的实用性。

Speech Emotion Recognition 用 LSTM、CNN、SVM、MLP 进行语音情感识别，Keras 实现。 改进了特征提取方式，识别准确率提高到了 80% 左右。原来的版本的存档在 。 | 中文文档   Environments Python 3.6.7 Keras 2.2.4   Structure ├── models/ // 模型实现 │   ├── common.py // 所有模型的基类 │   ├── dnn // 神经网络模型 │   │ ├── dnn.py // 所有神经网络模型的基类 │   │ ├── cnn.py // CNN │   │ └── lstm.py // LSTM │   └── ml.py

堆叠（堆叠概括） 总览 简单实用的堆叠库，用Python编写。 用户可以使用scikit-learn，XGboost和Keras的模型进行堆叠。 作为该库的功能，训练后可以保存所有失叠的预测以供进一步分析。 描述 （有时被称为堆叠泛化）涉及训练学习算法的其他几个学习算法的预测结合起来。 基本思想是使用一组基础分类器，然后使用另一个分类器组合其预测，以减少泛化误差。 对于理解堆栈和集成学习非常有帮助。 用法 请参阅工作示例： 要运行这些示例，只需运行sh run.sh 注意： 在数据/输入下设置训练和测试数据集 从原始数据集创建的要素必须位于数据/输出/要素下 堆栈模型在scripts文件夹下的scripts.py中定义 需要在该脚本中定义创建的功能 只需运行sh run.sh （ python scripts/XXX.py ）。 详细用法 设置火车数据集及其目标数据和测试数据集。 FEATURE_LIST_stage1 = { 'train' :( INPUT_PATH + 'train.csv'