基于pyknow的基于规则的系统 先决条件 吉特 python 3.5+ jupyter笔记本 下面介绍一些python软件包 pyknow简介 描述 pyknow的主要功能之一是与python 3兼容并使用RETE算法。 pyknow还要用纯python实现。 该软件包的目的是在python中实现CLIPS替代。 目标还在于，这两个工具将尽可能地兼容，以便CLIPS程序员可以轻松地将所有知识转移到该平台。 安装及使用 要在shell pip install pyknow安装此python软件包simpy typ， pip install pyknow不是在您的代码类型中使用该软件包 回购里面有什么 如何设定 首先下载要在您的CLI中运行回购协议的文件 git clone https://github.com/konradbjk/Rule-Based-Engine-pyknow 否转到

量子近似优化算法（QAOA） 使用Qiskit解决随机图上的最大割问题的QAOA实现 请参阅QAOA_Doc.ipynb了解展开说明 待进一步编辑...

数据分析和可视化 数据分析与可视化

数据集8732标记了以下10类城市声音的声音摘录（<= 4s）：空调，car_horn，儿童游戏，dog_bark，钻探，引擎怠速，gun_shot，手提凿岩机，警笛声和street_music。 使用称为开源库完成特征提取。 Librosa允许您加载声音文件，提取特征，生成波形图等。 我们将研究标准的多感知器模型以及卷积网络和递归网络。 这是使用完成的，它提供了高级神经网络API。 我想在将来尝试使用的一种模型是时间卷积网络（TCN），它基于对。 TCN的最重要组成部分是因果卷积。 “因果”仅表示在时间步t处的过滤器只能看到不迟于t的输入。 使用膨胀卷积的目的是用更少的参数和更少的层来获得更大的接收场。 TCN还使用残差块，将两个膨胀的卷积层堆叠在一起，并将最终卷积的结果加回到输入中以获得块的输出。 要求： librosa == 0.6.0 熊猫== 0.20.3 凯拉斯== 2.

QuTiP笔记本 这些文件是用于测试QuTiP不同部分的。 与作为QuTiP的一部分安装的单元测试套件相比，这些测试的目的有所不同。 这些笔记本不是小型的隔离（单元）测试，而是更像是集成测试，它使用QuTiP代码库的较大部分来确保不同部分按预期工作，或者使用模块中各个相关部分的测试。一个位置。 要打开这些文件，请通过在包含文件的目录中运行以下命令来启动IPython Notebook服务器： $ jupyter notebook 或者，如果您安装了旧版本的IPython $ ipython notebook 这将在Web浏览器中打开一个新页面，显示带有所有笔记本索引的IPython笔记本仪表板页面。 较旧的笔记本为v3格式。 较新的笔记本为v4格式。 如果使用的IPython Notebook版本不支持v4格式。 （版本为v3.0.0或更低版本），则可以使用以下方式转换这些笔记

需求预测 该项目的目的是为Kaggle竞赛开发一种解决方案，以预测不同商店中3个月的商品销售情况 比赛说明 提供此竞赛是在相对简单和干净的数据集上探索不同时间序列技术的一种方式。 系统会为您提供5年的商店商品销售数据，并要求您预测10家不同商店的50种不同商品的3个月销售。 处理季节性的最佳方法是什么？ 应该对商店进行单独建模，还是可以将它们合并在一起？ 梯度增强比ARIMA更好吗？ 链接：

图像处理工具箱 代码资源在src文件夹内，对应图像资源在resources文件内。 包括内容： 傅里叶变换去除波纹噪声 图像插值（最近邻、双线性、立方卷积） 线性最小二乘求解变换系数 直方图均衡化与灰度线性拉伸 均值滤波和中值滤波 大津阈值分割 边缘检测算子（Laplace，sobel，Roberts，kirsch算子） 图像修复综合作业（hough变换 + 区域生长法） 对应代码： src/remove_water_marking.m, src/remove_water_marking2.m src/lena_interpolation.m src/leastSquare.m src/HE.m, src/gray_linear_stretch.m src/average_median_filter.m src/OTSU.m src/edge_detection_operator.m sr

one_fi_transaction 金融科技公司OneFi的财务数据项目

cryptoCache 赖斯大学金融科技训练营项目3 目录 一般信息 这里的信息 屏幕截图 这里的信息 技术领域 这里的信息 安装指南 这里的信息 程式码范例 这里的信息 用法 这里的信息 资料来源 [1] [2] [3] 状态 项目是：进行中 贡献者 卡罗来纳州本扎肯（Carolina Benzaquen） 德拉甘Bogatic 乔纳森·欧文斯（Jonathan Owens）

RNN自动编码器 我研究tensorflow和RNN＆RNN autoenc和代码。 我使用的是midi文件中的音乐旋律数据。 内容 基本RNN RNN自动编码器（LSTM自动编码器）（参考： ） 描述 1.基本的RNN 我在张量流代码中实现了基本的RNN结构。 2. RNN自动编码器 我在张量流代码中实现了RNN自动编码器结构。 它由RNN编码器和RNN解码器组成。 编码器的最终状态用作通用自动编码器的压缩空间。 解码器的输入是学习时的学习数据序列，但是当用于输出时，输出返回到输入。 代码 模型（仍在编辑中） RNN_AE_model_decoder_dynamic：在张量流中使用动态rnn的模型 RNN_AE_model_decoder_feedback：使用带有for循环的单元格进行建模 火车：火车模型 测试：使用经过训练的模型生成新序列 util：实用程序代码