人工智能-项目实践-情感分析-基于python的股市情感分析 情绪与股市 情绪与股市关系的研究由来已久，情绪是市场的一个重要影响因素已成为共识。 15年股灾时，亲历了一次交易灾难，眼见朋友的数千万在一周不到的时间内灰飞烟灭。那段时间市场的疯狂，让人深刻地明白：某些时候，股票市场这个抽象、复杂的系统，反映的不再是价值与供需，而仅仅是人的贪婪与恐惧。 说明 这份代码是股市情感分析项目的一部分，这个项目的本意是利用互联网提取投资者情绪，为投资决策的制定提供参考。 在国内这样一个非有效的市场中，分析投资者的情绪似乎更有意义。 这里我们利用标注语料分析股评情感，利用分析结果构建指标，之后研究指标与股市关系。 可以按以下顺序运行代码： python model_ml.py python compute_sent_idx.py python plot_sent_idx.py

情绪识别是软件中使用的一种技术，允许程序使用高级图像处理“读取”人脸上的情绪。公司一直在尝试将复杂的算法与过去十年中出现的图像处理技术相结合，以更多地了解一个人的面部图像或视频告诉我们他/她是什么感觉，不仅如此，还显示了一张脸可能有混合情绪的可能性。 依赖 pip install -r requirements.txt 运行 python real_time_video.py 训练 python train_emotion_classifier.py

植物：向日葵，豌豆，花生，雪豌豆，樱桃炸弹，三粒豌豆，秋葵，泡芙，马铃薯墙，穗状杂草，稻谷，南瓜，稻谷，墨西哥胡椒，太阳蘑菇，冰蘑菇，催眠蘑菇。 僵尸：僵尸，旗舰僵尸，头像僵尸，巴克塞德僵尸，报纸僵尸。 使用json文件存储级别数据（例如僵尸的位置和时间、背景信息） 支持在级别开始时选择工厂卡 支持白天级别、夜间级别、移动卡片选择级别和wallnut保龄球级别 要求 Python 3.7 注意：建议使用python版本3.7，但不是必需的。对于LINUX：如果你的LINUX系统预装了Python3+，那么运行这个游戏就可以了。直接升级到Python3.7可能会破坏LinuxMint。 Python Pygame 1.9 如何开始游戏 $python main。py 怎么玩 使用鼠标收集阳光，选择植物卡片并为植物播种 可以通过更改源/常量中的start_level_NUM值来设置开始级别。py 1级和2级：日级 三级：夜间 级别4：移动卡片选择级别 五级：wallnut保龄球级别Pythonplantsvszombies

贪吃蛇，五子棋，打砖块，走迷宫等10个小游戏 $ python3 -m pip ins 免费Python游戏支持命令行界面（CLI）。CLI的帮助可通过以下方式获得： $ python3 -m freeg CLI支持三个命令：list、copy和show。要查看所有游戏的运行列表： $ python3 -m freegames list 任何列出的游戏都可以通过从命令行执行Python模块来玩。要引用Python模块，请将“freegames”与游戏名称结合起来。 $ python3 -m freegames.snake 可以通过复制源代码来修改游戏。copy命令将在本地目录中创建一个Python文件，您可以对其进行编辑。 $ python3 -m freegames copy snake $ python3 snake.py $ python3 -m idlelib.idle snake.py >>> import freegames >>> help(freegames)

Game1 兔子和獾(射击游戏) Game2 仿八分音符的声控小游戏 Game3 拼图小游戏 Game4 滑雪游戏 Game5 经典坦克大战小游戏 Game6 飞扬的小鸟小游戏 Game7 仿谷歌浏览器小恐龙游戏 Game8 塔防游戏 Game9 接金币小游戏 Game10 飞机大战 Game11 俄罗斯方块 Game12 推箱子 Game13 外星人入侵小游戏 Game14 吃豆人 Game15 消消乐 Game16 24点小游戏 Game17 乒乓球小游戏 Game18 打砖块小游戏 Game19 炸弹人小游戏 Game20 走迷宫小游戏 Game21 打地鼠 Game22 五子棋小游戏 Game23 2048小游戏 Game24 贪吃蛇小游戏 Game25 扫雷小游戏 Game26 愤怒的小鸟 Game27 记忆翻牌小游戏 Game28 魔塔小游戏 import random from cpgames import cpgames game_client = cpgames.C

人工智能-项目实践-创新大赛-基于python的用户贷款风险预测 融360与平台上的金融机构合作，提供了近7万贷款用户的基本身份信息、消费行为、银行还款等数据信息，需要参赛者以此建立准确的风险控制模型，来预测用户是否会逾期还款。 ##解决方案概述## 本题很多关键属性被脱敏处理，比如时间戳和所有金额的值，这个对我们进行特征构造带来很多的影响，损失了很多业务信息。不过对于参赛者都是公平的，因而我们构造了大量的统计特征，根据模型及线上反馈最佳特征大多来自用户浏览行为browse_history和bill_detail，此外发现放款时间也是个强力特征，详细见代码部分。这里只放了我个人的代码，队友的特征工程很多类似的，也有一些独特之处，这里说几个思路：bill_detail表的特征按放款时间分为放款前放款后分别统计（还可以尝试多划分几个时间窗再统计）、基于熵的分箱处理（特征离散化，熊掌整理了思路见：最优分箱.docx）、排序特征、组合特征等，有兴趣可以自己去实现。模型方面，我本人主要玩了xgboost和lightgbm，队友也基本上是xgboost、RandomForest，在玩Stack

人工智能-项目实践-企业退出风险预测-基于python的企业经营退出风险预测，二分类问题 model: Xgboost 数据处理： pandas 文件夹结构介绍 data/alldata/： 存放所有的得到的数据文件 data/public/: 题目给定的原始数据 (https://pan.baidu.com/s/1nuJNz9B) 提取密码：t2ek 运行之前，请建立对应的文件夹，并导入数据。 model/：运行的model文件 feature/: 提取特征的py文件 saveModel/: 保存model，可以不使用 stack/: stacking特征的py文件 xresult/：存放输出结果的文件

基于python的树形决策图构建基于python的树形决策图构建

射击检测 一个简单而有效的python实现，用于突然过渡的视频镜头检测（基于python OpenCV） 在OpenCV-2.4.8上测试 用法：./shotdetect.py视频路径[key-frames-output-dir]

基于Python实现STK11动态连接，实现场景构建，卫星、测站、传感器等元素添加，并实现Access分析和数据输出