IE598金融学机器学习，2018秋季，伊利诺伊大学香槟分校 马克最终小组项目 作者：约瑟夫·洛斯（Joseph Loss），杨若中，徐凤凯，冯彪和段玉辰 型号概要： 探索性数据分析 预处理，特征提取，特征选择 模型拟合和评估，（您至少应拟合3种不同的机器学习模型） 超参数调整 组装 IE598金融学机器学习，2018年秋季最终小组项目 作者：约瑟夫·洛斯（Joseph Loss），杨若中，徐凤凯，冯彪和段玉辰

sklearn.docset Zeal/Dash 的 Scikit-learn 文档集。 安装 将 sklearn.docset.tgz 文件解压到~/.local/share/Zeal/docsets/ 。

使用神经网络预测时间序列 :blue_circle: 联系人：对于Bitcoin的学习材料组织列表，请点击此 ，这等 介绍 不管比特币价格上的投机泡沫如何，该项目的目的都是暗示该加密货币的未来收盘价。 根据我的分析考虑了几个比特币指标，收集了情绪数据以及区块链，历史价格和金融指数数据以预测收盘价。 环境设定 要运行预测模型，应安装以下内容： Python 3+ Tensorflow = 1.10.1 Keras = 2.2.2 熊猫= 0.23.4 脾气暴躁= 1.15.1 Matplotlib = 2.2.3 sklearn = 0.19.2 ML实现的神经网络 LSTM

使用机器学习识别欺诈（项目概述） 项目目标 在2000年，安然（Enron）是美国最大的公司之一。 到2002年，由于广泛的公司欺诈行为，该公司破产了。 在最终的联邦调查中，大量的通常是机密信息被输入到公共记录中，包括成千上万的电子邮件和高级管理人员的详细财务数据。 这些数据已与手工生成的欺诈案件中感兴趣的人的名单相结合，这意味着被起诉，与政府达成和解或辩诉交易或作证以换取起诉豁免权的个人。 这些数据为146名员工创建了21个要素的数据集。 该项目的范围是创建一种算法，该算法能够识别可能实施欺诈的安然员工。 为了实现此目标，部署了探索性数据分析和机器学习以从异常值中清除数据集，识别新参数并将

kdd99-scikit scikit-learn使用决策树（CART）和多层感知器解决kdd99数据集的解决方案 Kdd99数据集简介 是建立一个网络入侵检测器，这是一种能够区分“不良”连接（称为入侵或攻击）和“良好”正常连接的预测模型。 请注意，测试数据并非与训练数据具有相同的概率分布，并且包括不在训练数据中的特定攻击类型。 训练数据快照（ raw/kddcup.data_10_percent.txt ）： 0,tcp,http,SF,181,5450,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,8,8,0.00,0.00,0.00,0.00,1.00,0.00,0.00,9,9,1.00,0.00,0.11,0.00,0.00,0.00,0.00,0.00,normal. 0,tcp,http,SF,239,486,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,8,8,0.00,0.00,0.00,0.00,1.00,0.00,0.00,19,19,1.00,0.00,0.05,0.00,0.00,0.00,0.00,0.00,norm

泰坦尼克号深度生存分析：使用Pandas，Matplotlib，Seaborn库来分析，可视化和探索乘坐泰坦尼克号旅行的人的数据，并使用Scikit学习建模算法来预测其生存的可能性

音频信号的情感识别 这是使用OpenSmile，主成分分析和Scikit-learn库中的分类器从Surrey视听表达情感（SAVEE）数据库中的音频信号进行情感识别的一组灵感。 SAVEE数据库是由萨里大学（University of Surrey）的四名以英语为母语的男性说话者（分别为DC，JE，JK，KL），研究生和研究人员记录的，该数据库包括7种不同情绪的录音和480种英国英语发音。 OpenSmile用于从.wav文件中提取特征，它会生成1582个特征。 之后，我将PCA（主成分分析）用于减少三维。 最后，我使用了不同的算法进行分类。 不同的情感是： Anger Disgust Fear Happiness Sadness Surprise Neutral 结果 算法 模型表现 多层感知器分类器 0.8020833333333334 Logistic回归+ lbfgs解算器

斯克莱恩遗传 scikit-learn的遗传特征选择模块 遗传算法模仿自然选择的过程，以搜索函数的最佳值。 安装 安装sklearn-genetic的最简单方法是使用pip pip install sklearn-genetic 或conda conda install -c conda-forge sklearn-genetic 要求 Python> = 2.7 scikit学习> = 0.20.3 深度> = 1.0.2 例子 from __future__ import print_function import numpy as np from sklearn import datasets , linear_model from genetic_selection import GeneticSelectionCV def main (): iris = dat

入侵检测 使用各种数据挖掘技术的入侵检测（KDD Cup 1999数据） 数据集位于 使用的技术： K均值（K = 59） 准确度93.077％ 精确 召回 F1分数 支持 攻击。 0.95 0.96 0.96 250436 正常。 0.83 0.80 0.82 60593 平均/总计 0.93 0.93 0.93 311029 决策树 准确度92.956％ 精确 召回 F1分数 支持 攻击。 1.0 0.91 0.95 250436 正常。 0.74 0.99 0.85 60593 平均/总计 0.95 0.93 0.93 31

caffe安装网不好下到本地安装