AI学习投资-周六AI Euskadi。 机器学习项目的应用使新手的投资更容易理解。 1.投资比例的网站报废。 我们已经废弃了与来自纽约证券交易所市场的公司相关的beautifoulSoup投资数据。 2.创建数据集。 我们在过去10年中随机模拟了500.000个投资，投资期限在1天到2年之间。 通过应用分类或归一化技术等方法，已清理数据集并准备进行机器学习建模。 如果要使用结果数据集，则将其保存到“ datasets / transactions_variables.csv”中。 3.数据建模和优化。 在用pycaret筛选出哪种分类模型更适合我们的问题之后，我们选择了“决策树”，因为它更易于解释。 请记住，我们的目标不是进行更好的投资，而是使投资可用于更广泛的人群。 借助Graphviz，优化了决策树并可视化了结果。 4.数据部署并在REST API服务器上进行测试。 该项目的

具有Deep RL的TSP解算器 这是具有增强学习功能的神经组合优化的PyTorch实施，Bello等人。 2016 [ ] 指针网络是Vinyals等人提出的模型架构。 2015 [ ] 该模型使用注意力机制来输出输入索引的排列。 在这项工作中，我们将解决旅行商问题（TSP），这是被称为NP-hard的组合优化问题之一。 TSP寻求推销员最短的行程，使他们只能一次访问每个城市。 在没有监督解决方案的情况下进行培训 在训练阶段，此TSP求解器将优化2种不同类型的指针网络，Actor和Critic模型。 给定一个以城市为节点的城市图，评论家模型可以预测预期的旅行时长，通常称为状态值。 当估计行程长度赶上由演员模型预测的行程（城市排列）计算出的实际长度时，评论者模型的参数将得到优化。 Actor模型使用称为好处的值更新其策略参数，该值从实际巡回行程中减去状态值。 影评人 Actor

资源名称：人工神经网络与模拟进化计算资源截图： 资源太大，传百度网盘了，链接在附件中，有需要的同学自取。

数学建模中旅行商问题的遗传算法MATLAB程序，规划出合适的路径并展示出图形。

通过最小化加权协方差矩阵来发现最佳投资组合权重

有完整的代码和详细的注释，还有完美的文档，解决了旅行商问题

C++解决旅行商问题，opencv画图显示，纯属兴趣，含报告代码

CPLEX的java接口，包含了所有的函数，包括函数的详细信息：函数名、输入参数类型，但会参数类型以及函数的功能，介绍非常详细，是学习Java调用Cplex的绝佳资料。

经典教材 书名:组合最优化算法和复杂性 作者:(美)帕普迪米特里诺(Papadimitriou, C.H.)[等]著 ISBN号:7-302-00230-4 出版地:北京 出版社:清华大学出版社 出版时间:1988.6 页数:630页 开本:19厘米

旅行商问题分枝界限法（优化队列），经典算法