UrbanFACET：通过移动设备直观地分析城市，记录数百万城市居民的移动数据 这是UrbanFACET的代码存储库，其中包括数据清理和熵计算脚本，以及系统工具和前端Web部件。 抽象的 城市是指由于人口行为而定义和发展城市基础设施及其功能的生活系统。 对城市和功能区域进行概要分析一直是城市设计和规划中的重要主题。 本文研究了一个独特的大数据集，该数据集包含数千万城市居民的每日运动数据，并开发了可视化分析系统UrbanFACET，以发现和可视化多个城市及其居民的动态资料。 从数千个手机APP的移动用户不可知的签到中获取的大量用户移动数据集，已在城市结构（例如，道路网络）和POI（兴趣点）分布的综合研究和可视化中得到很好的利用。 特别是，我们新颖地开发了一套基于信息理论的指标来表征城市地区和居民群体的流动模式。 这些多方面的指标包括流动性，振动性，换向，差异和密度（FACET），这些指标对隐

matlab导入excel代码可靠性分析 这是MATLAB代码的集合， 系统地将基于csv的事件日志导入标准格式 分析基准指标，以纵向跟踪在役舰队的绩效。 根据时间段和感兴趣的系统选择，导出为用户友好的Excel格式。

2018年，全球海洋保险市场规模约为300亿美元，但由于激烈的竞争和复杂的风险评估问题，盈利水平普遍较低。 保险技术（InsurTech）的破坏者Concirrus正在通过新颖地使用人工智能（AI）和大数据分析来转变对海洋风险的评估，以开发行为风险模型。 这是保险业更广泛的市场趋势的一部分，在该趋势中，传统的承保被新的风险分析模式所取代，这种新的风险分析模式通常基于行为风险。 在海上保险市场中，船舶自动识别系统可以用作连接互联网的数据源，以提供有关被保险船舶活动的实时远程信息。 例如，此数据包括船只识别代码，位置信息，航向，速度和航向，目标目的地，预计到达时间，导航状态和船外计算。 其他市场信息（例如天气数据，运输路线数据，地理知识，船只记录和保险记录）也可以合并到复杂的数据分析中，从而在高度精细的级别上建模和更好地理解风险。 这个丰富的数字和数据生态系统使动态构建和测试新颖的统计方法成为可能，从而可以对风险进行建模并开发新的分析方法，从而可以通过主动影响业务客户来降低风险。 Concirrus是一家建立完善的船舶和汽车保险技术公司，其成立是为了利用新的行为风险建模技术并将其应用于保险市场。 InsurTech公司通过实施新业务模型来扰乱市场，这些新业务模型利用人工智能（AI）的先进技术，通过云计算以相对较低的成本访问的高性能数字技术以及大数据分析功能。 Concirrus是保险技术领导者的一个例子，他们采用数字优先的方法，可以避免遗留系统问题，例如高昂的维护成本，缺乏集成和孤立的业务流程。 该案例研究重点关注Concirrus的业务模型，并描述了Quest Marine Insurance Product的运营。 Quest保险产品是一个保险风险分析平台，结合了包括复杂，纵向和行为数据在内的大量数据集，因此海上保险公司可以对船队的风险状况获得更细致和详细的了解，并可以提供相关的保单鼓励并奖励更安全的行为，从而降低损失，损坏船舶，其内装物和船员的风险。 基于Abassi的大数据价值链模型，对Concirrus的价值创造过程进行了详细的描述和分析。 业务模型描述确定了信息和分析竞争优势的几个领域，这些领域为参与海上保险的每个利益相关者创造了业务利益：船队运营商； 保险经纪人； 保险公司和再保险公司。 更一般而言，该案例研究是一位技术领导者的榜样，他正在通过AI的新颖应用和数字化转型来扰乱市场。 概述了行为保险的实施挑战和未来轨迹。

LogicBlox系统的设计与实现 这是我第一次尝试理解研究论文！ 我将尝试问一些我不了解的问题，并尝试进行一些研究以了解它们。 LogicBlox LogicBlox的主要产品是我们所谓的智能数据库。 这是一个活跃的云数据库，具有很多传统上通常需要编写的业务逻辑命令式语言在数据库中的不同计算机上运行。 这样，当数据添加到数据库中时， 这些业务规则生效并自动更新视图。 它专门从事真正的大规模分析和事务和分析之间混合的应用程序， 资料来源： 抽象的 The LogicBlox system aims to reduce the complexity of software development for modern applications which enhance and automate decision-making and enable their users to evo

项目统计 用于从github项目中提取和可视化贡献者统计信息的脚本 报告 报告页面为public / index.html，需要托管在网络服务器中。 $ git clone https://github.com/no9/project-stats $ cd project-stats/public $ npm install http-server -g $ http-server . # browse to http://localhost:8080/index.html 批 # Clone this repo $ git clone https://github.com/no9/project-stats # Change into the repo $ cd project-stats/batch # Make an output dir and change into it $

Voice Analytics

Feature Engineering for Machine Learning and Data Analytics (Chapman & Hall/CRC Data Mining and Knowledge Discovery Series) ISBN-10 书号: 1138744387 ISBN-13 书号: 9781138744387 Edition 版本: 1 出版日期: 2018-04-04 pages 页数: 418 Chapter 1 Preliminaries and Overview Guozhu Dong and Huan Liu Part I Feature Engineering for Various Data Types Chapter 2 Feature Engineering for Text Data Chase Geigle, Qiaozhu Mei, and ChengXiang Zhai Chapter 3 Feature Extraction and Learning for Visual Data Parag S. Chandakkar, Ragav Venkatesan, and Baoxin Li Chapter 4 Feature-Based Time-Series Analysis Ben D. Fulcher Chapter 5 Feature Engineering for Data Streams Yao Ma, Jiliang Tang, and Charu Aggarwal Chapter 6 Feature Generation and Feature Engineering for Sequences Guozhu Dong, Lei Duan, Jyrki Nummenmaa, and Peng Zhang Chapter 7 Feature Generation for Graphs and NetworksYuan Yao, Hanghang Tong, Feng Xu, and Jian Lu Part lI General Feature Engineering Techniques Chapter 8 Feature Selection and Evaluation Yun Li and Tao Li Chapter 9 Automating Feature Engineering in Supervised Learning Udayan Khurana Chapter 10 Pattern-Based Feature Generation Yunzhe Jia, James Bailey, Ramamohanarao Kotagiri, and Christopher Leckie Chapter 11 Deep Learning for Feature Representation Suhang Wang and Huan Liu Part ll Feature Engineering in Special Applications Chapter 12 Feature Engineering for Social Bot Detection Onur Varol, Clayton A. Davis, Filippo Menczer, and Alessandro Flammini Chapter 13 Feature Generation and Engineering for Software Analytics Xin Xia and David Lo Chapter 14 Feature Engineering for Twitter-Based Applications Sanjaya Wijeratne, Amit Sheth, Shreyansh Bhatt, Lakshika Balasuriya, Hussein S. Al-Olimat, Manas Gaur, Amir Hossein Yazdavar, Krishnaprasad Thirunarayan Index

电力需求预测：机器学习模型预测Sunyani和Nationwide的未来电力需求

IBM Analytics 工业4.0与物联网白皮书

IBA6103-Economic Analytics