深度系列 用于时间序列预测的深度学习模型。 楷模 Seq2Seq /注意 WaveNet 变压器/变压器 快速开始 from deepseries . models import Wave2Wave , RNN2RNN from deepseries . train import Learner from deepseries . data import Value , create_seq2seq_data_loader , forward_split from deepseries . nn import RMSE , MSE import deepseries . functional as F import numpy as np import torch batch_size = 16 enc_len = 36 dec_len = 12 series_len = 1000

葡萄酒品质 使用来自kaggle的数据集进行葡萄酒质量预测。

Stat-140SL-最终项目-澳大利亚-天气 包含与Stats 140SL最终项目有关的文件的回购，我们的目标是利用推论统计方法来预测澳大利亚的降雨。 数据来自Kaggle，可以在以下位置找到： :

使用机器学习的信用卡欺诈检测 信用卡欺诈是一个日益严重的问题，面临许多挑战，包括时间漂移和严重的阶级失衡。 该项目尝试使用包括自适应合成采样方法（ADASYN）和合成少数采样率（SMOTE）在内的最新技术来解决班级不平衡问题。 2013年9月在欧洲进行的超过280k真实交易[1]被用作训练数据集。 比较了三种类型的机器学习模型：随机森林，支持向量机和多层感知器。 结果表明，不平衡数据集的最佳采样方法取决于数据集和所使用的模型。 该项目包含以下组件： a）PDF格式的IEEE风格论文 b）Jupyter Notebook进行了机器学习测试。 您可以运行视图并自己运行它们。 还包括注释，推理和数字。 为了方便起见，我在此git repo中包含了原始数据集的副本[1]，但是请参考原始资源以获取最新版本。 该项目是2017年冬季在滑铁卢大学进行的SYDE 522：机器学习的一部分。 安装 克隆项目： $ git clone https://github.com/yazanobeidi/fraud-detection.git && cd fraud-detection Pip安装依赖项

Kaggle | 网络流量预测

video game sales数据集from kaggle video game sales数据集from kaggle video game sales数据集from kaggle video game sales数据集from kaggle video game sales数据集from kaggle

kaggle Home_credit 信贷风控 train训练字段的Flink sql 预处理

卡格莱雨 关于 kaggle 比赛的解决方案，在排行榜上得分约为 0.00775。 要重现结果，请先运行“preprocess.py”，然后运行“classif_model.py” 原始数据转换 来自原始数据的每个样本都提供了这段时间内雷达测量的序列，因此对于每个样本和每个测量，我计算了一段时间内的一些聚合（平均值、最小值、最大值、50% 百分位数、标准差）。 这一步在实现 初步分析 您可以在找到对预处理数据的一些主要分析 模型 这一步在实现 直觉 对于模型评估，使用，根据该，我需要预测从 0 到 69 的降雨量的累积概率。 我认为这是一个多类分类问题。 为了首先建立累积概率，我需要预测以下每个雨量计范围的概率：0, (0, 1], (1, 2], ..., (68, 69], (69, +inf))。总共有 71 个范围，所以这是一个有 71 个类别的分类任务。 有些类非常小（频率

kaggle交通数据集，共600+MB

kaggle人脸数据集，共60+MB，用于资源分享