背景 Calvet＆Fisher（2004，2008）的马尔可夫切换多重分形随机波动率模型（MSM）允许对高维状态空间进行简化描述。 在Collins（2020）中，我证明了当扩展状态空间，使用高频数据以及考虑微结构噪声时，MSM的样本外性能得到改善。 我使用Python实现的MSM启用了最大似然估计和分析预测功能，具有多达13个波动率频率和8,000多个状态，是以前文献的八倍，在此版本中提供了代码（请参见MSM_03.py）。 MSM的此Python实现引入了一种随机算法，该算法结合了启发式过程和本地搜索，以结合本地优化对状态空间进行增强的探索。 在我的工作中，严格准备和清理数据，稀疏采样以及以最佳出价和要价各自深度加权的回报创新，减轻了微结构噪音。 这些发展形成了一个规格齐全的模型，可以更好地利用大型高频（HF）数据集提供给它的增加的信息。 样本中模型选择测试显示，随着引入更多的波动

Predict-status-of-Chronic-kidney-disease:它由我的代码和csv文件组成

feature-extraction-pipeline:用于从图像中以python计算形态和纹理特征的管道

中风预测 中风相关健康数据分析。 具有对数据的统计探索和模型测试的功能

摩根大通追逐虚拟实习 该存储库包含JPMorgan Chase＆Co.软件工程虚拟实习分配的所有任务的已提交补丁文件。

面膜检测-深层神经网络-三重解决方案 遮罩检测问题的三种解决方案，第一种以卷积神经网络的形式呈现，第二种以全连接神经网络的形式呈现，第三种以传递学习神经网络为基础。它们是通过Tensorflow Keras实现的。 背景 该报告介绍了遮罩检测问题及其解决方案。 它包含描述三种不同神经网络的三种配置：第一种是完全连接的网络。 第二个是基于转移学习的网络，第三个是卷积神经网络。 在此报告中，您将找到使用上述模型和其他信息（例如图形，代码行屏幕截图，损失与验证以及其他有助于理解我们的项目的ML概念）解决此问题的完整过程。 资料说明 用于训练模型的数据包含10,000张图像，其中一半显示一个戴着口罩的人，另一半显示未蒙面的人。我们使用的数据包含一个验证集，包含1,000张图片，500张蒙面和500张无遮盖的脸。 第三组用于测试模型，其中包含1,000张图片，500张蒙面和500张非蒙面。 你可以从

莫奈 里克·范德沃尔 丽莎·霍克（Lisa Hoek） 托尼·赫尔斯霍夫（Toine Hulshof）

用于角色机器人项目的示例变压器聊天机器人笔记本

BreakHis基准 大小为700X460像素的乳腺癌组织学幻灯片 传统ml方法对提取的VGG特征的比较（无效）在 使用Inception V3，Resnet和 的可视化工具进行学习转移。 这个工作很好，但是还没有完成。

分类 电信客户流失预测。 关于该项目- 在这个项目中，我使用各种分类算法，使用数据集中的特征预测客户流失率。 使用的Python软件包-Pandas，Numpy，Scipy，scikit-learn，Seaborn和matplotlib。 关于数据集： 每行代表一个客户，每列包含在元数据列中描述的客户属性。 数据集包含有关以下信息：上个月内离开的客户–该列称为每个客户都已注册的Churn Services –电话，多条线路，互联网，在线安全，在线备份，设备保护，技术支持和流媒体电视和电影客户帐户信息-他们成为客户的时间，合同，付款方式，无纸化账单，每月费用和总费用有关客户的人口统计信息-性别，年龄段以及是否有合作伙伴和受抚养人 致谢- 从下载了数据集 该项目涉及－ 1）探索性数据分析-删除不必要的功能，处理空值和离群值（如果有）。 使用具有目标变量的独立特征的KDE图，箱线图和Ba