最近在研究基于python语言的机器学习。刚刚get到一款很好用的代码编辑器：pyCharm,亲测可用，附赠激活方式，希望能够帮到需要的伙伴！

下午4点 PM4Py是一个python库，支持python中的（最新技术）进程挖掘算法。 它是完全开源的，旨在用于学术界和工业项目。 PM4Py是弗劳恩霍夫应用信息技术研究所的产品。 文档/ API 有关PM4Py的完整文档，请访问 第一个例子 一个非常简单的例子，可以激发您的胃口： import pm4py log = pm4py . read_xes ( '' ) process_model , initial_marking , final_marking = pm4py . discover_petri_net_inductive ( log ) pm4py . view_petri_net ( process_model , initial_marking , final_marking , format = "svg" )

arma模型matlab代码通过机器学习预测股票收益波动率 我的硕士论文使用的代码 该代码用于我的硕士论文。 它借助以下深度学习网络预测股票收益波动：MLP-多层感知器JORDAN-Jordan网络ELMAN-Elman网络LSTM-长期短期记忆 对于网络的实际实现，使用了两个统计软件：MATLAB和R-Studio。 由于R中不存在适用于GARCH-MIDAS的软件包，因此MATLAB仅用于估计GARCH-MIDAS模型。所有的ANN都是使用R Studio计算的。 每种ANN架构：MLP，Jordan，Jordan和LSTM都是借助不同的软件包来计算的。 MLP是使用R包“神经网络”估算的​​，RNN类型Elman和Jordan借助包“ RSNNS”计算，而LSTM带有包“ keras”。 实施过程分为三个阶段。 在第一阶段，对GARCH模型的一步一步预测进行了估算。 本文总共估计了六个GARCH模型。 其中三个用作ANN的输入，其他三个用作评估ANN模型的预测性能的基准。 所有GARCH模型都估计波动率要提前一个步骤，而不是提前多个步骤。 这是因为条件异方差模型的多步提前预测收敛

Report Machine 3.0 =================== 这是一个报表控件包，For Borland Delphi Versions 4,5,6,7.100% 源码. 最后更新日期：2003.4.15 版权声明 ---------- ReportMachine 的软件版权持有人- 王海丰 作者: wanghaifeng_1@163.net

会话数据集 用于对话响应选择的大型数据集的集合。 该存储库提供了用于创建可重现的数据集的工具，用于训练和评估会话响应模型。 这包括： -37亿条基于话题对话的评论 电影和电视字幕超过4亿行（提供英语和其他语言） -亚马逊产品中超过360万个问题-答案对 机器学习方法最适合诸如此类的大型数据集。 在PolyAI，我们在庞大的对话数据集上训练对话响应模型，然后将这些模型适应对话AI中特定领域的任务。 在庞大的数据集上对大型模型进行预训练的一般方法在图像社区中早已流行，现在在NLP社区中正在兴起。 除了提供原始处理的数据外，我们还提供脚本和说明来自行生成数据。 这使您可以查看并可能操纵预处

Qoala-T 用于FreeSurfer分段MRI数据质量控制的监督学习工具 版本1.2>预测模型已于2019年1月14日更新; Github页面于2021年3月16日更新Qoala-T由和在开发和创建。 关于 Qoala-T是一种有监督的学习工具，可评估T1成像扫描的手动质量控制及其在FreeSurfer中处理的自动神经解剖标记的准确性。 它特别适用于开发数据集。 该软件包包含Klapwijk等人（2019）中所述的数据和R代码，请参阅 。 我们内部开发的手动质量控制程序的协议可以在找到。 我们还开发了一个使用R Shiny的应用程序，通过该应用程序可以在不安装R的情况下运行Qoala-T模型，请参阅（可以在找到本地运行的源代码）。 运行Qoala-T 为了能够运行Qoala-T模型，应在FreeSurfer中处理T1 MRI图像。 当前版本中使用的模型是针对FreeSurfer

深度学习和围棋游戏 该存储库首先是针对Go游戏的全面的机器学习框架，重点是深度学习技术。 您会发现这里是一个从游戏基础知识到非常先进的技术的库。 特别是，您会找到用于游戏AI早期方法，使用深度学习的中间技术以及AlphaGo和AlphaGo Zero的实现的代码-所有这些都在一个通用框架中提供。 您可以使用pip安装此库，并按照code文件夹中的examples进行操作。 pip install dlgo 另一方面，该存储库同时包含以及《深度学习和围棋》（Manning）一书的示例章节，可在进行早期访问，该书与该库有联系，并逐个地讲授其组成部分。拜伊如果您遵循本书中的代码示例，请查看各个章节的分支。 注贡献者：为了确保同步书中住宿，考虑要求修改并提交反对引入请求improvements的分支，而不是master （这是我们一直保留错误修正等）。 可播放的演示 这本书是关于让您开始创建自己的机器人的一切。 为了使体验更加有趣和互动，我们构建并部署了多个机器人，展示了各自章节的技术。 到目前为止，您可以玩： 第4章是一个5x5板上的微型树型搜索机器人。 第7章一个完整的19×1

GAM ⠀ ⠀ 使用结构化注意的图分类的PyTorch实现（KDD 2018）。 抽象的 图分类是许多不同领域中实际应用中的问题。 为了解决这个问题，通常会计算某些图统计信息（即图特征），以帮助区分不同类别的图。 在计算此类特征时，大多数现有方法都会处理整个图形。 例如，在基于图的方法中，处理整个图以获得不同图或子图的总数。 但是，在许多实际应用中，图可能会嘈杂，仅在图的某些区域内会出现区分模式。 在这项工作中，我们研究了基于注意力的图分类问题。 注意的使用使我们可以专注于图表中较小但内容丰富的部分，从而避免在其余图表中产生干扰。 我们提出了一种新颖的RNN模型，称为图注意力模型（GAM），该模型通过自适应选择一系列“信息”节点来仅处理图的一部分。 在多个现实世界数据集上的实验结果表明，即使我们的方法仅局限于部分图形，该方法在图分类中也可以与各种众所周知的方法竞争。 该存储库提供了G

使用Python机器学习进行年龄检测 使用Kaggle的收入评估数据集进行年龄检测 用于训练模型的值输入值：-“性别”，“工作类别”，“教育”，“婚姻状况”，“职业”，“关系”，“每周工作时间”，“本国”， '收入'，'Col1'，'Col2'，'Col3'，'Col4'，'Col5'输出-年龄 机器学习算法：从sklearn.svm导入随机森林分类器 来自sklearn.metrics的precision_score以计算模型的准确性

midi-classification-tutorial：有关如何对Midi文件的流派进行分类的教程