Report Machine 2.6 For Borland Delphi Versions 3,4,5,6,7.100% 源码. 最后更新日期：2002.10.11

关联规则的matlab代码在Matlab中实现的项目代码 多视角注视数据中的顺序模式挖掘和关联规则分析 眼睛注视数据记录了孩子和父母的“关注区域”的ID和保持兴趣的“持续时间”。 该项目使用先验算法找到与孩子和父母有关的频繁出现的“凝视”行为模式的关联规则。

Hacker’s Guide to Machine Learning with Python 2020

cryptocurrency-price-prediction：使用LSTM神经网络的加密货币价格预测

作者： Ivan Bongiorni ，数据科学家。 卷积递归Seq2seq GAN用于时间序列数据中缺失值的插补 描述 该项目的目标是为时间序列数据的插补实现递归卷积Seq2seq神经网络的多种配置。 提供了三种实现： 循环卷积seq2seq模型。 基于上述相同体系结构的GAN （生成对抗网络），其中训练了Imputer来欺骗试图区分真实和假（推算）时间序列的对抗网络。 一种部分对抗的模型，其中先前模型的两种损失结构都组合在一个模型中：Imputer模型必须减少真实的错误损失，同时尝试欺骗鉴别器。 模型在TensorFlow 2中实现，并在数据集中进行了训练。 档案文件 config.yaml ：用于数据预处理，培训和测试的配置参数。 管道： main_processing.py ：启动数据预处理管道。 其结果是将准备好训练的数据集以.npy（ numpy ）格式保存在/da

DianNao系列， ASPLOS, 2015发表的一篇论文，PuDianNao:A Polyvalent Machine Learning Accelerator

使用AzureML进行心力衰竭预测 在此项目中，我们演示如何使用Azure ML Python SDK使用Azure AutoML和Hyperdrive服务来训练模型以预测由于心力衰竭导致的死亡率。 训练后，我们将部署最佳模型并通过使用它来评估模型端点。 项目设置与安装 若要设置此项目，我们需要访问Azure ML Studio。 项目设计的申请流程如下： 使用计算实例创建一个Azure ML工作区。 创建一个Azure ML计算群集。 从此资源库将心力衰竭预测数据集上载到Azure ML Studio。 将此存储库中附加的笔记本和脚本导入到Azure ML Studio中的“笔记本”部分。 笔记本中详细介绍了所有运行单元的说明。 数据集 概述 数据集用于评估心力衰竭患者的严重程度。 它包含2015年4月至12月在费萨拉巴德心脏病研究所和费萨拉巴德（巴基斯坦旁遮普）联合医院收集的

SGX-Full-OrderBook-Tick-Data-Trading-Strategy：使用数据科学方法（机器学习）在完整的订单簿记号数据上提供高频交易（HFT）策略的解决方案

周志华《机器学习》阅读笔记

吉布斯采样matlab代码ORIE-6741贝叶斯机器学习项目 贝叶斯非参数时间序列数据的预测模型 Chawannut Prommin（），Serena Li（），Yutao Han（） 纸张结构 抽象的 我们提出了一种新颖的贝叶斯非参数框架，用于具有模式发现和在线推理的时间序列数据建模。 我们尝试使用Indian Buffet过程和无限隐藏Markov模型进行自动模式或聚类发现。 然后，我们的模型使用一种新颖的框架，通过具有谱混合核函数的高斯过程回归和假设检验，来在线推断时间序列数据。 由于对簇而不是整个数据集进行评估，因此我们考虑了在线推理过程中模型的可伸缩性。 介绍 相关工作 方法 贡献 印度自助餐过程（IBP）发现簇数 无限隐马尔可夫模型（iHMM）聚类 光谱混合（SM）内核学习 聚类时间序列数据 在线推论 快速推断 实验结果 时间序列聚类 内核学习和卡方检验 模型精度评估 讨论 参考 代码结构 要运行的脚本的描述： 下面的MATLAB文件不包括使用GPyTorch在Python文件中完成的KISS-GP快速推断的实现。 MATLAB文件实质上包括除KISS-GP实现之外的所有