机器学习的时间序列预测
一组预测时间序列的不同机器学习模型，具体来说是给定货币图表和目标的市场价格。
要求
必需的依赖项： numpy 。 其他依赖项是可选的，但是为了使最终模型更多样化，建议安装以下软件包： tensorflow ， xgboost 。
经过python版本测试：2.7.14、3.6.0。
取得资料
有一个内置的数据提供程序，可以从获取数据。 目前，所有模型都已通过加密货币图表进行了测试。
提取的数据格式是标准安全性：日期，最高，最低，打开，关闭，交易量，报价量，weightedAverage。 但是模型与特定的时间序列特征无关，并且可以使用这些特征的子集或超集进行训练。
要获取数据， 从根目录运行脚本：
# Fetches the default tickers: BTC_ETH, BTC_LTC, BTC_XRP, BTC_ZEC for all time periods.
$ ./run_fetch.py
默认情况下，将提取Poloniex中所有可用时间段（天，4h，2h，30m，15m，5m）的数据，并将其存储在_data目录中。 您可以通过命令行参
2023-04-21 00:06:30
101KB
1
source insight 4.0.0085安装文件和序列号，亲测可用。支持C++工程中代码跳转，多标签页打开代码，简单易用，是分析开源代码的重要工具。
2023-04-19 11:20:54
23.13MB
1
具有递归神经网络的文本生成
使用基于特征的RNN进行文本生成。 我们使用安德烈·卡帕蒂（Andrej Karpathy）的莎士比亚作品集。 给定来自此数据的字符序列（“莎士比亚”），训练模型以预测序列中的下一个字符。 通过重复调用模型，可以生成更长的文本序列。
模型的输出
以下是本教程中的模型训练了30个纪元并以字符串“ Q”开头时的示例输出：
奎妮：我以为你有罗马人。 Oracle这样，使所有人都反对这个词，因为他的照顾太弱了。 您的孩子们在您的圣洁的爱中，通过流血的宝座沉淀。
伊丽莎白·比什普（Bishop of Ely）：我的主，嫁给并愿意哭泣，这是最漂亮的。 然而，现在我被世界可悲的一天收为继承人，要和他父亲一起面对面观看新路吗？
埃斯卡洛斯：为什么我们都下了更多儿子的原因。
卷：不，不，不，不，不，不，不，不，不，不，不，不，不，不，不，不，不，不，不，不，不，不，这是没
2023-04-17 22:59:21
70KB
1
从作业顺序图出发，定义了作业的序关系．以此为基础，分析了工位数固定时作业序列与最小节拍的对应关系，并针对第二类装配线平衡问题，提出一种基于可行作业序列的遗传算法．该算法直接依据作业顺序图生成初始群体，并构造交叉和变异算子；初始群体和交叉变异的结果都是可行解，从而保证只在可行作业序列子空间中进行最优解搜索，效率较高；在染色体的适应值定义中还考虑了最小节拍时间和工位工时标准差的综合影响，可用来比较最小节拍时间相同的不同作业分配方案间优劣，提高了解的可信度．应用该算法，对一实例进行了多种工位数的验证，结果较优．
2023-04-17 10:59:43
311KB
1
BioVec
代表生物序列的新方法。 该算法来自本文：“ ”
安装
克隆后在本地安装。
快速开始
import biovec
pv = biovec.models.ProtVec("some_fasta_file.fasta", corpus_fname="output_corpusfile_path.txt", n=3)
# The n-gram "QAT" should be trained in advance
pv["QAT"]
# convert whole amino acid sequence into vector
pv.to_vecs("ATATQSQSMTEEL")
# convert multi-sequence FASTA file to a numpy array of protvec vectors (axis 0 = sample axis)
# seqty
2023-04-14 22:02:45
7.01MB
1