该文档为Camstar Modeling中文API,为方便英语能力差的小伙伴们快速了解Camstar Modeling,特分享给大家进行学习和参考。
2021-11-23 15:16:21 10.93MB Camstar
1
NBA 2K评分系统,使用真实数据 听说过一款叫NBA 2K的游戏吗? 因其逼真的图形,游戏玩法和对细节的关注而广受赞誉,没有其他篮球比赛像它一样。 但是游戏与真实事物相比如何? 更具体地说,它如何弥补NBA超级巨星与10天合同球员之间的技能差距? 在这个项目中,我们深入研究了NBA 2K的评分系统,以及它与现实世界中球员表现的关系。 我们将研究预测排名的主要功能,并评估每个评分的平均统计数据。 要查看项目,请转到以下网址: : :
2021-11-23 15:01:21 661KB nba modeling eda nba2k
1
Environment modeling software.
2021-11-21 21:27:20 4.57MB Ecology modeling
1
请随时研究数据集上异常检测的不同算法。 Python或Matlab中的机器学习分类器(例如SVM,TSVM,Radom Forrest,RNN等); Python或Matlab中的(例如NSA,否定选择算法); 最后,总结不同算法的比较。
2021-11-21 14:51:15 35.83MB JupyterNotebook
1
Python MIP(混合整数线性编程)工具 套件网站: : Python MIP是用于混合整数线性程序(MIP)建模和解决方案的Python工具集合。 MIP语法受启发。 就像一样,它也提供对高级求解器功能的访问,例如切割生成,惰性约束,MIPstart和解决方案池。 移植Pulp和Gurobi模型应该很容易。 MIP的一些主要功能包括: 高级建模:就像使用这样的高级语言一样,用Python轻松编写MIP模型:运算符重载使使用Python编写线性表达式变得容易。 全功能: 剪切生成器和惰性约束:通过在分支和剪切搜索过程中仅生成所需的不等式来处理具有大量约束的强公式; 解决方案池:查询在搜索过程中找到的精英解决方案集; MIPStart:使用问题相关的启发式方法为MIP搜索生成初始可行的解决方案。 快速:Python MIP软件包使用现代的python 模块直接调用已安
1
二氧化碳封存:碳捕集与封存(CCS)已被提出作为缓解二氧化碳和人为气候变化影响的有希望的必要技术。 有人指出,深层地质构造(如盐水层)是大规模储存CO2的有前途的地区。 如果大规模实施CCS以显着减少大气中的CO2,则它将需要坚实的科学基础,以定义控制地下水在地下的长期命运,CO2的迁移行为,诱集机制,适当利用表征和选择隔离地点的方法,工作流程和评估过程,模拟方法,优化性能,井位,注入速率和成本的地下工程,确保安全运行的方法,监控技术,补救方法,监管概述,以及用于管理长期负债的机构方法。 为了解决上述问题,我们在本研究中演示,审查和开发了二氧化碳封存过程的整体工作流程
1
QGIS在水文建模和遥感中的应用 QGIS在水文建模和遥感中的应用 目标:为水文建模和遥感中的QGIS应用提供全面的教程(QGIS模块),包括数据处理,分水岭分析,水文气象因素处理等。 该项目中介绍的所有文件均与SKKU的课堂材料相关。
2021-11-16 21:46:25 218.73MB HTML
1
叶子 LEAF是对于L ARGEênergy-甲洁具F A模拟器OG计算环境。 然后,它可以在分布式,异构且资源受限的基础架构中对复杂的应用程序图进行建模。 特别强调了能源消耗(以及不久的碳排放量)的建模。 请访问官方以获取有关此项目的更多信息和示例。 该Python实现是从移植而来的。 将来的所有开发都将在此存储库中进行。 安装 您可以通过直接克隆该存储库或通过安装最新版本来使用LEAF: $ pip install leafsim 我该怎么办? LEAF可以对云,雾和边缘计算环境进行高级建模。 它建立在 (一个用于创建和操作复杂网络的库)和 (一个基于过程的离散事件仿真框架)之上。 除了可以研究资源受限环境中的调度和放置算法外,LEAF还特别关注: 动态网络:模拟在仿真过程中可以加入或离开网络的移动节点。 功耗建模:对单个计算节点,网络流量和应用程序的功耗进行建模。
1
很好的一本学习建模的书,一共20章,全了。
2021-11-13 21:18:29 5.49MB GIS
1
项目名 CHURN MODELING 2.0:使用Python和Sci-Kit进行预测建模学习 项目简介/目标 该项目的目的是预测特定客户离开银行的可能性。 我们还将找出银行应采取什么措施来留住客户并阻止他们离开。 这些是主要目标,但银行欢迎分析期间发现的任何其他见解。 项目描述 数据最初属于在3个国家/地区运营的银行:法国,西班牙和德国。 但是由于我的大多数观众很可能来自加纳,因此我决定将地理变量分别替换为阿克拉,库马西和博尔加,以便于理解。 因此,在数据集中,您将看到这三个加纳地区而不是国家。 现在,该银行近来一直在经历快速的客户流失。 这意味着客户以异常高的速度离开银行,管理层希望找出问题所在,以及如何做才能留住客户。 我使用称为Gretl的软件工具完成了该项目的原型。 但是在这里,我将使用Python和相关库。 该项目是逻辑回归算法的应用。 我们正在尝试计算特定客户是否离开银行的二
2021-11-13 21:06:17 2.15MB JupyterNotebook
1