AI可解释性360（v0.2.1） AI Explainability 360工具箱是一个开放源代码库，支持数据集和机器学习模型的可解释性和可解释性。 AI Explainability 360 Python软件包包括一套全面的算法，这些算法涵盖了解释的不同维度以及代理的可解释性指标。 通过逐步介绍不同消费者角色的示例用例，对概念和功能进行了简要介绍。 提供了更深入的，面向数据科学家的介绍。 完整的API也可用。 没有一种最能解释问题的方法。 有很多解释方法：数据与模型，直接可解释与事后解释，本地与全局解释等，因此弄清楚哪种算法最适合给定用例可能会造成混淆。 为了帮助您，我们创建了一些和

格子玻尔兹曼是一种简单而相对年轻的计算流体动力学方法。 与基于宏观量（质量，动量和能量）守恒的传统计算流体动力学相反，LBM通过在离散晶格网格上传播和碰撞的粒子动力学来对流体进行建模。 由于这种对比，LBM对于数字计算的研究具有许多有趣的优势，例如易于处理复杂的边界和算法的并行化[2]。 下图显示了如何将流体“粒子”表示为离散模型，从而使编写简单明了的建模代码变得毫不费力。 莱迪思·博尔兹曼（Lattice Boltzmann）的模拟我意识到自己只是一个在时间流中虚弱挣扎的人。 但是，我仍然有能力以这样的方式做出贡献：当气体理论得以复兴时，不需要重新发现太多-[Ludwid Boltzmann（* 1844，维也纳，✟in Duino bei Triest）]受启发由Daniel V. Schroeder [1]的原创作品撰写。 格子玻尔兹曼是一种简单而相对年轻的计算流体动力学方法。 与传统相反

用于构建高质量数据集和计算机视觉模型的开源工具。 •• •••• 是由创建的开源ML工具，可帮助您构建高质量的数据集和计算机视觉模型。 使用FiftyOne，您可以搜索，排序，过滤，可视化，分析和改善数据集，而无需进行过多的整理或编写自定义脚本。它还提供了用于分析模型的强大功能，使您能够了解模型的优缺点，可视化，诊断和纠正其故障模式，等等。 FiftyOne的设计轻巧，可轻松集成到您现有的CV / ML工作流程中。 您可以加入我们的Slack社区，阅读我们在Medium上的博客，并在社交媒体上关注我们，从而参与其中： 安装 您可以通过pip安装FiftyOne的最新稳定版本： pip install fiftyone 请查阅以获取故障排除以及有关使用FiftyOne进行启动和运行的其他信息。 快速开始 通过启动快速入门，直接进入FiftyOne： fiftyone quicksta

(Article) Artificial Intelligence Algorithms人工智能算法

EGNN-Pytorch（WIP） 中的实现。 最终可用于Alphafold2复制。 安装 $ pip install egnn-pytorch 用法 import torch from egnn_pytorch import EGNN layer1 = EGNN ( dim = 512 ) layer2 = EGNN ( dim = 512 ) feats = torch . randn ( 1 , 16 , 512 ) coors = torch . randn ( 1 , 16 , 3 ) feats , coors = layer1 ( feats , coors ) feats , coors = layer2 ( feats , coors ) # (1, 16, 512), (1, 16, 3) 带边 import torch from egnn_pytorch impo

什么是人工智能？人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它试图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器。

《Artificial Intelligence A New Synthesis》 作者：Nils J，Nilson 1999，机械工业出版社， 英文，扫描版

Alphafold2-Pytorch（WIP） 要最终成为一个非官方的工作Pytorch实施 ，令人叹为观止的注意网络解决CASP14。 随着体系结构的更多细节发布，将逐步实施。 复制完成后，我打算将所有可用的氨基酸序列在计算机上折叠起来，并作为学术洪流发布，以供进一步科学使用。 如果您对复制工作感兴趣，请在此#alphafold 安装 $ pip install alphafold2-pytorch 用法 像Alphafold-1一样预测分布图，但要注意 import torch from alphafold2_pytorch import Alphafold2 from alphafold2_pytorch . utils import MDScaling , center_distogram_torch model = Alphafold2 ( dim = 256 ,

tegrastats_parser 一种简单的python算法，用于运行Tegrastats，然后从获得的带有时间戳的日志文件中解析数据。 命令行选项： --interval，-i（type = int，默认= 1000，help ='积分器的记录间隔，以毫秒为单位'） --log_file，-f（类型=字符串，默\u8ba4='output_log.txt'，help ='积分器数据的日志文件名'） --only_parse，-p（help ='在不运行tegrastats的情况下解析tegrastats日志文件'） --graph，-g（help ='从已解析的statstats数据绘制一些有用的图形'） 使用情况不生成图 python main.py --interval --log_file

deep-finance ： deep-finance深度学习 数据集 任务 描述 股票走势预测 通过推文和历史股价预测股票走势的综合数据集。 股票风险预测 标普500公司的电话会议数据集。 财务句子边界检测 FinSBD-2019数据集包含已自动分段的财务文本，可用于财务句子边界检测。 财务句子边界检测 Financial Phrasebank数据集包含4845个英语句子，这些句子是从LexisNexis数据库中发现的财经新闻中随机选择的。 财务问题解答 财务质量检查数据集是通过在2009年至2017年期间在“投资”主题下抓取Stack交换帖子来构建的。 财务情绪分析 FiQA SA数据集包括两种类型的论述：财经新闻头条和财经微博，以及带有手动注释的目标实体，情感评分和方面。 深度学习在股票市场预测中的应用：最新进展。 arxiv2020。 姜伟伟 个性化的所有人指标：具有股票嵌入功能的