Drain 提供了一种在线日志分类机制。 该版本提供： 通过 serde json 对排水状态进行序列化/反序列化 支持 GROK 模式以获得更准确的类别和变量过滤 这个特定项目的目标是为原始的排水实施提供一个不错的、快速的、生锈的升级。 原论文： Pinjia He、Jieming Zhu、Zibin Zheng 和 Michael R. Lyu。Drain: An Online Log Parsing Approach with Fixed Depth Tree，第 24 届 Web 服务国际会议 (ICWS) 论文集，2017。 这是一个 WIP，0.3.x

使用语法进化来寻找交易信号的遗传算法的实现 数据回购 数据仓库的结构应如下所示： +-- data-repo - contains script to gather data SPY_returns.txt (-r) +-- data - Helix expects this directory to exist in the repo pathname +-- backtests - results are saved to /tmp but can be manually moved here SPY_returns.txt 此文件中的数据应具有以下形状： epoch, return 第一列代表纪元时间，第二列代表要预测的回报。这通常是下一个期间的回报。 数据 分析中使用的所有历史价格数据都应存储在此处。Helix 将读取整个目录并从文件名中解析股票代码，因此文件应该是相应的名称。例如文件AAPL应该有一个AAPL.csv文件名。 文件中的数据应遵循OHLCV不带标题的格式。第一列应该是股票代码，第二列应该是纪元时间。

计算机图形学--区域填充算法的实现.pdf

RUST 中Craig Reynolds植绒算法的实现

资源包含文件：设计报告word+Python源码及数据 朴素的 PageRank 算法在 Web 网页结构良好的环境下可以正常运行，通过迭代可以对不同的网页给出合理的打分。然而，研究表明，现实中的 Web 网页结构常常出现网页个体或网页群体没有出向链接，即网络中的 dead ends 和 spider trap。PageRank 算法经过迭代之后，全体系统的权重会被以上两种 Web 网页结构吸收，其余页面的权重会趋于 0，这使得计算得出的结果失去意义。基于以上的问题，Google 对于朴素的 PageRank 算法提出改进策略。新的算法增加了随机游走因子，对于 Web 网页间的行为进行了更加细致的建模。 详细介绍参考：https://biyezuopin.blog.csdn.net/article/details/125219303

这是一个关于数据挖掘中关联规则之Aprior算法的实现。这是从网上找到的一个别人写好的程序，本人只是对这个程序进行了轻微的修改；本人忘记了这个程序是由谁写的，所以如果您发现这个程序的原创作者，可以联系本人，本人深表谢意。

Julia 中无穷小连续归一化流算法的实现

如果您想了解逻辑，Skryptonite 代码的文档会更完整。但简而言之，通过将最后一个块放在首位并组织内部矩阵块以便对角线移动到列中，重新排列数据以获得最佳内部操作。

由0和1构成的m*n维矩阵M表示一个迷宫，其中0表示通路，1表示墙壁。迷宫入口为(1,1),出口为(m,n)。迷宫随机产生。试编一算法求出从入口点到出口点可沿八个方向或四个方向前进的一条通路，或显示没有通路

AdaboostOnMNIST 这是使用两个不同的弱学习者从头开始实现Adaboost算法的方法：决策树分类器和梯度提升分类器。 Adaboost在MNIST上运行以告知奇数和偶数。 经过scikit Learn模型的adaboost测试，并获得了更高的分数。 最小的训练误差为％1.8，在7次迭代中进行了梯度增强。 函数调用为adaboost（X_train，Y_train，inversions_t，Classifier_type），有两种类型的分类器，“ Gradient_Boost”和“ Decision_tree”可以放入第4个输入中。 adaboost返回一个4元组（stump，stump_weights，errors，D_weights） 您可以使用predict（stumps，stump_weights，X_test）对训练集进行预测。 这将返回该X_test的标签数组