“要处理14维空间中的超平面,请可视化3D空间并大声说出“十四”。每个人都这样做。 ”-杰夫·欣顿(Geoff Hinton) 总览 HyperTools旨在促进基于降的高维数据可视化探索。 基本管道是输入一个高维数据集(或一系列高维数据集),并在单个函数调用中降低数据集的维数并创建图。 该软件包建立在许多熟悉的朋友之上,包括 , 和 。 我们的软件包最近在。 对于一般概述,您可能会觉得很有用(作为达特茅斯一部分提供)。 试试吧! 单击徽章以启动示例实例的活页夹实例: 要么 在HyperTools检查Jupyter笔记本的。 安装 要安装最新的稳定版本,请运行: pip install
2021-09-29 08:31:23 14.75MB visualization python time-series data-visualization
1
Jupyter笔记本用于: Yunjun,Z.,F.Amelung,Y.Aoki,(2021年),用ALOS-1 / 2 InSAR时间序列对日本雾岛火山综合体的热液系统进行成像,地球物理。 Res。 来吧,doi: [已提交]。 数据 InSAR置换产品: 来自日本的ALOS-1 / 2: 日本雾岛市的时间序列,速度和所选干涉。 日本从ALOS-1到日本九州南部的干涉图堆栈: 。 日本从ALOS-2到日本九州南部的干涉图堆栈: 。 使用ISCE-2和MintPy进行InSAR数据处理的配置: 大地建模: 来自GBIS的模型结果: 。 GBIS的配置: 人物( ) 图1-2008-2019年雾岛的地球物理观测 地质环境。 -InSAR的准垂直位移图。 -InSAR,GPS和EQ编号的时间序列。 -Shinmoe-dake和Iwo-yama的大地测量建模
2021-09-28 21:17:51 12.86MB time-series model insar deformation
1
Qt 平台下,利用QChart实现实时动态曲线,对于新手还是有借鉴意义
2021-09-28 14:03:14 6KB QT qt动态曲线 QTqchart QChart
Strategems.jl:Julia中的定量系统交易策略开发和回测
2021-09-28 09:38:36 640KB finance time-series trading optimization
1
深度学习时间序列预测 最新的论文清单集中在深度学习以及使用深度学习进行时间序列预测的资源,代码和实验。 经典方法与深度学习方法,竞赛... 文件 2020年 Prathamesh Deshpande等。 代码还没有。 Shruti Jadon等。 代码还没有。 HD阮等人。 代码还没有。 JánDrgona等。 代码还没有。 安格斯·登普斯特(Angus Dempster)等。 [] 袁雪,等。 代码还没有。 Castellani Andrea等。 Honda Research Institute Europe GmbH 代码还没有。 很好的参考 金晓勇,等。 代码还没有
1
当代经济学教科书译丛,中国科学出版社,不仅提供了关于时间序列专题的晓畅的处理,而且关心现代宏观经济和金融理论,包括了向量自回归、广义矩方法、自回归条件异方差以及单位根的内容。
2021-09-24 17:21:47 13.8MB 时间序列分析
1
时间序列预测 预测项目,SARIMA / X,ARIMA,先知,LSTM,霍尔特冬季,ETS。 温度预测和工资预测。
2021-09-24 16:57:53 10.56MB JupyterNotebook
1
火炬 PyTorchTS是一个概率时间序列预测框架,通过利用作为其后端API以及用于加载,转换和回测时间序列数据集,提供了最新的PyTorch时间序列模型。 安装 $ pip3 install pytorchts 快速开始 在这里,我们通过GluonTS自述文件重点介绍了API的更改。 import matplotlib . pyplot as plt import pandas as pd import torch from gluonts . dataset . common import ListDataset from gluonts . dataset . util import to_pandas from pts . model . deepar import DeepAREstimator from pts import Trainer 这个简单的示例说明了如何在一些数
2021-09-23 15:43:13 725KB time-series pytorch probabilistic deepar
1
神经网络的时间序列分析 重点比较ANN,RNN,LSTM和LSTM在时序分析中的表现 在这个项目中,我建立并比较了四种类型的ANN模型:具有Attention的完全连接的ANN,RNN,LSTM,LSTM。 有两个包含时间序列的数据集。 目的是建立深度神经网络,该网络可以学习数据中的时间模式并预测未来观察的价值。 对于那些模型,我比较了预测的准确性和训练过程的速度。 请参考Report.pdf了解详细说明和参考。 为了构建神经网络,我使用python keras库。 为了实现注意力机制,我使用了Christos Baziotis的。
2021-09-22 21:03:14 2.53MB time-series neural-network keras lstm
1
Rats have long been recognized as a valuable biomedical research model, notably in the investigation of aging, toxicology, addiction, and common human diseases such as diabetes and hypertension. In many instances, individuals conducting such research studies are charged with important responsibilities, including animal facility management, animal husbandry, veterinary care, regulatory compliance, and various experimental methodologies. With the advent of genetic manipulations and biomedical research technological advances such as bioimaging, the versatility and usefulness of the rat as an animal model has soared.,解压密码 share.weimo.info
2021-09-20 06:09:51 32.42MB 英文
1