Sentinel-2-GEE

期权价格使用FFT：使用Carr＆Madan方法和快速傅里叶变换来计算期权价格

数据分析全课程

大数据2020

Quantum-AnoGAN:这是用于异常检测的混合量子经典Ano-GAN算法的实现，其测试专门针对在智能电网的网络攻击场景下测试该算法

使用机器学习进行钻石价格预测 Ironhack项目模块3的存储库-Kaggle竞赛 主要议题 数据处理-熊猫 建立，评估和部署机器学习模型-Scikit-Learn 安装 使用程序包管理器pip或在执行笔记本的环境中安装库。 所需的库如下所示： conda install pandas conda install - c conda - forge scikit - learn

具有线性不等式约束的牛顿ADMM方法 笔记： 将惩罚指标用于不平等约束 斯普利特（规范的）损失和惩罚与平等约束 使用ADMM （乘数的交替方向方法）解决等式约束问题 原始子问题使用牛顿法求解（一步） 牛顿反演可以使用直接反演或CG（共轭梯度）完成 要求： （规范的）损失具有明显的梯度和粗麻布。 Logistic回归的示例

机器学习：机器学习研究中的实验，算法和报告

收入普查 项目详情： 数据源： : 目标：创建机器学习模型，可以预测某人的年收入高于5万还是低于5万 我将该项目分为两个单独的主要目标： 数据准备： 从UCI Irvine机器学习数据集下载数据b。 在Microsoft Excell中读取训练数据（adult.data和adult.names）将其编译为adult_dataset income.xlsx文件，而仅将测试数据读取adult.test并将其另存为test_adultdataset.xlsx c。 模型创建：在此阶段，将笔记本文件model_scratch.ipynb分解为步骤 部署模式：技术：1。烧瓶，2.Heroku

使用CNN进行地震分类 介绍 这项研究的目的是使用超过60万张地震信号图像训练卷积神经网络，以将信号分类为“地震”和“噪声”类别。 由于该CNN可用于近实时地对信号进行分类，因此该研究具有更快地震检测的潜在应用。 CRISP-DM流程 业务了解-进行地震监测的公司或机构可以使用这些模型和分析将深度学习实施到其监测算法中，而这些算法通常是基于信号幅度的短期平均/长期平均（STA / LTA） ）计算以标记地震。 这些模型可能会导致更快或更准确地检测地震。 数据理解–该数据集包含来自斯坦福地震数据集（STEAD）的120万个地震信号。 这是一个标记的数据集，具有用于测试地震信号上许多其他类型的机器学习的应用程序。 数据准备–地震数据用于创建> 600,000地震数据图像，这些图像用于训练模型。 建模–使用了两个模型：用于将地震与地震噪声区分开的分类模型，以及基于图像预测地震震级的回归模型