卡格勒 我的Kaggle比赛解决方案代码 网络流量预测：二等奖。

PyTorch中的HMM 此存储库包含PyTorch中的隐马尔可夫模型（HMM）的代码，包括正向算法，Viterbi算法和采样。 训练是通过从正向算法反向传播负对数似然来实现的，而不是使用EM算法。 您可以阅读笔记本涵盖HMM模型和工具的理论模型PyTorch片逐片 。

太阳能数据工具 用于执行太阳能光伏数据信号常见任务的工具。 这些任务包括查找数据集中的晴天，常用数据转换以及解决时间戳记问题。 这些工具被设计为自动的，几乎不需要用户任何输入。 还包括库以帮助进行数据IO和绘图。 在仅将测量功率作为输入的情况下，此存储库与“存储库之间紧密集成，后者提供了系统输出的“晴空模型”。 有关示例，请参见文件夹。 设置 建议：建立conda环境，提供.yml文件 2021年3月更新 我们建议设置一个新的Python虚拟环境以在其中使用solar-data-tools 。 我们建议使用软件包管理系统，并使用此存储库顶层提供的名为pvi-user.yml的环境配置文件创建环境。 这也将安装statistical-clear-sky软件包。 有关设置Conda环境的其他文档，请参见。 请参阅Conda文档页面“ ”以获取更多信息。 将此项目作为PIP软件包安装

医学生存分析 在这个项目中，我们使用生存数据以及线性和非线性技术的组合来开发风险模型。 该数据集包含原发性胆汁性肝硬化（pbc）患者的生存数据。 PBC是肝脏的一种自身免疫性疾病，由肝脏内胆汁的堆积（胆汁淤积）引起，导致胆汁从肝脏排出的小胆管受损。 目的是了解不同因素对患者生存时间的影响。 在此过程中，它涵盖了以下主题： 考克斯比例危害解释考克斯模型 生存模型评估 随机生存森林 个人生存功能

【jupyter notebook】linux关闭端口不停止的命令集合

介绍 HMM是Python的隐马尔可夫模型库。 它是易于使用的通用库，实现了训练，检查和试验数据模型所需的所有重要子方法。 Cython支持计算上昂贵的零件的有效性。 您可以构建两个模型： 离散隐马尔可夫模型 通常只是隐式马尔可夫模型。 连续时间隐马尔可夫模型 隐马尔可夫模型的变体，其中状态转换可以在连续时间内发生，并且允许观察时间的随机分布。 在开始工作之前，建议先阅读示例教程 ，其中涵盖了大多数主要用例。 为了更深入地了解该主题，您可以参阅相应的。 或阅读主要参考文章： ， 。 项目来源： ， ， 要求 python 3.5 库：Cython，ipython，matplotlib，notebook，numpy，pandas，scipy， 用于测试环境的库：pytest 下载并安装 安装Numpy和Cython之后，您可以直接从test pypi安装该软件包。

如何轻松预测股票价格 如何轻松预测股票价格-Siraj Raval在YouTube上的深度学习＃7入门 ＃＃概述 这是Udacity深度学习纳米学位的Siraj Raval在Youtube上录制的视频的代码。 我们使用使用过去价格数据集来预测S＆P 500的收盘价。 ##依赖 凯拉斯 张量流 从安装Keras和从安装Tensorflow。 ＃＃用法 使用运行此。 只需在主目录中键入jupyter notebook ，代码就会在浏览器窗口中弹出。 #Coding Challenge-截止日期，太平洋标准时间2017年3月2日，星期四，12点 使用价格历史记录和您选择的其他两个指标来预测具有LSTM网络的GOOGL股票的价格。 您可以在找到CSV。 指标可以来自Twitter对人们对Google，股息等的评价的情感分析。 ##学分 功劳。 我只是创建了一个包装来使人们开始使用。

深度对冲演示 使用机器学习对衍生产品定价 1) Jupyter version: Run ./colab/deep_hedging_colab.ipynb on Colab. 2) Gui version: Run python ./pyqt5/main.py Check ./requirements.txt for main dependencies. Black-Scholes（BS）模型-于1973年开发，并基于获得诺贝尔奖的作品-在近半个世纪以来一直是定价选择和其他金融衍生品的事实上的标准。 在理想的金融市场的假设下，可以使用该模型来计算期权价格和相关的风险敏感性。 然后，交易者可以从理论上使用这些风险敏感性来创建完善的对冲策略，以消除期权组合中的所有风险。 但是，在现实世界中很难满足完美金融市场的必要条件，例如零交易成本和连续交易的可能性。 因此，在实践中，银行必须依靠其交

Credit_Card_Fraud_Detection 深度学习模型，用于检测信用卡欺诈交易。 数据集 数据集包含2013年9月欧洲持卡人通过信用卡进行的交易。 该数据集显示了两天内发生的交易，在284,807笔交易中，我们有492起欺诈。 数据集高度不平衡，阳性类别（欺诈）占所有交易的0.172％。 数据集链接：-https:

Will_they_claim_it 保险公司对客户承担风险。 风险管理是保险业非常重要的方面。 保险公司考虑每个可量化因素来制定高和低保险风险的概况。 保险公司收集有关保单持有人的大量信息并分析数据。 作为保险公司的数据科学家，我们需要分析可用数据并预测是否批准保险。 数据集说明 训练数据集包含对应于52310个客户的数据，而测试数据集包含22421个客户。 以下是数据集的功能。 目标：索赔状态（索赔） 代理商名称（代理商） 旅行保险公司类型（Agency.Type） 旅游保险代理经销渠道（Distribution.Channel） 旅游保险产品名称（Product.Name） 旅行时间（持续时间） 旅行目的地（目的地） 旅游保险保单销售额（净销售额） 为旅行保险代理机构收取的佣金（委员会） 被保险人年龄（年龄） 每个观察的识别记录（ID） 资料说明