机器学习应用于cfd 大纲 贡献者 介绍 该存储库包含有关如何在计算流体动力学（CFD）领域中使用机器学习（ML）算法的示例。 在基于CFD的研究过程中，可以将ML算法应用于不同的步骤： 预处理，例如，用于几何或网格生成 运行时，例如，作为动态边界条件或作为子网格规模模型 后处理，例如，创建替代模型或分析结果 另一种可能的分类是区分机器学习算法的类型，例如 监督学习：算法在给定的特征和标签之间创建映射，例如在卡车的形状和作用在卡车上的拖曳力之间 无监督学习：算法在数据中查找标签，例如，如果两个粒子p1和p2由其表面上的某些点表示（只有点列表，但不知道它们属于哪个粒子），则该算法将为每个点弄清楚它是属于p1还是p2 强化学习：在环境中活动的代理试图最大化（累积）奖励，例如，设置模拟解决方案控制的代理尝试尽快完成模拟，从而学习找到给定集合的优化解决方案控制-up（代理：某些程序修改求解器

spacv ：Python中的空间交叉验证 spacv是一个小型Python 3（3.6及更高版本）软件包，用于模型的交叉验证，该模型评估对具有空间依赖性的数据集的泛化性能。 spacv提供了一个类似spacv的熟悉的API，公开了一套适用于基于点的空间预测任务的工具。 有关用法，请参阅笔记本spacv_guide.ipynb 。 依存关系 numpy matplotlib pandas geopandas shapely scikit-learn scipy 安装及使用 要安装，请使用pip： $ pip install spacv 然后使用sklearn构建快速的空间交叉验证

几乎所有的法律都是用自然语言表达的； 因此，自然语言处理 (NLP) 是大规模理解和预测规律的关键组成部分。 NLP 将非结构化文本转换为计算机可以理解和分析的形式表示。 NLP 和法律的交叉点准备创新，因为 (i.) 越来越多的数字化机器可读法律文本数据存储库，(ii.) 算法和硬件改进驱动的 NLP 方法的进步，以及 (iii. ) 由于当前实践效率低下而提高法律服务有效性的潜力。NLP 是一个很大的领域，与计算机科学相关的许多研究领域一样，它正在Swift发展。 在 NLP 中，本文主要关注统计机器学习技术，因为它们展示了推进文本信息系统的重要前景，并且在可预见的未来可能会相关。首先，我们简要概述了不同类型的法律文本和不同类型的法律文本。机器学习方法来处理这些文本。 我们介绍了将单词和文档表示为数字的核心思想。 然后我们描述了利用法律文本数据来完成任务的 NLP 工具。 在此过程中，我们用斜体定义了重要的 NLP 术语，并提供了示例来说明这些工具的实用性。 我们描述了自动总结内容（情感分析、文本摘要、主题模型、提取属性和关系、文档相关性评分）、预测结果和回答问题的方法。

Python中的卡尔曼滤波器 这是Kalman过滤器如何在Python中工作的基本示例。 我确实计划在将来重构和扩展此存储库。 我一直关注的有关卡尔曼滤波器的系列文章可以在找到。 我正在使用的示例也可以在同一视频中找到。 只需运行： python kalman . py 开始。 应使用传感器和预测值生成图。 真实值（假设未知）为72。

深雨 该项目是在 HTWG Konstanz - 应用科学大学的课程背景下创建的。 目标是使用机器学习对康斯坦茨周边地区 35 分钟的短期降水预测。 因此，我们在 keras 和 tensorflow 中为 python 3 使用了 UNet 实现。 我们的团队： 、 、 、 在教授的监督下使用 UNet 创建了短期降水预测。 结果 可以从我们的英文论文中阅读 或在我们完整德语报告中 要求 要运行此存储库中的脚本，您需要 Python 发行版并另外安装以下软件包： 凯拉斯 张量流 cv2 (OpenCV) 拉德利卜

DDoS检测系统 旨在使用机器学习技术和SDN来检测和缓解DDoS攻击的系统。 参考书目 R. Braga，E。Mota和A.Passito，“使用NOX / OpenFlow进行轻量级DDoS泛洪攻击检测”，IEEE本地计算机网络会议，丹佛，CO，2010年，第408-415页。 doi ： PDF ： :

团队简介 大家好，我们是金融情报信息决定赛道的葫芦娃团队，本赛题的队伍成员均来自哈工大深圳的人类自然语言技术（HLT）小组，成员包括刘宇瀚，李嘉明，殷熔磾，刘道兴以及袁朝发。指导老师为徐睿峰教授。 方案分享 我们进行以下六点进行介绍 首先是任务简介与数据格式，具体的数据下载详见，也可以data文件夹里面的数据 整个数据存在一下的特征： 我们的整体方案流程如下： 数据集构造部分，我们按照如下形式构造，即内部实体级情感分类任务 数据预先部分我们采用如下操作： 为了更好学习到语料的信息，我们对语言模型在本数据集上又进行一次预训练 之后我们采用

Customer_satisfaction_Analysis 结果整合 Demo 演示 基于用户 UGC 的在线民宿满意度挖掘，负责数据采集、主题抽取、情感分析等任务。开发的目的是克服用户打分和评论不一致，实现了在线评论采集和用户满意度分析。 主要功能包括在线原始评论采集、主题聚类、评论情感分析与结果可视化展示等四个模块，如下所示。 提取后的民宿地址和在线评论等信息如下。 搭建了百度地图 POI 查询入口，可以进行自动化的批量查询地理信息。 通过高频词可视化展示，归纳出评论主题。 构建了基于在线民宿语料的 LDA 自动化主题聚类模型，利用主题中心词能找出对应的主题属性字典，并使用用户打分作为标注，然后通过多种分类模型，选用最优模型对提出的评价主体 进行情感分析，针对主题属性表进行主题提取后的文本进行情感分析，分别得出当前主题对应的情感趋势，横坐标为所有关于主题为“环境”的情感得分，纵坐标为

Machine Learning and Security(EarlyRelease) 英文无水印pdf pdf所有页面使用FoxitReader和PDF-XChangeViewer测试都可以打开 本资源转载自网络，如有侵权，请联系上传者或csdn删除 本资源转载自网络，如有侵权，请联系上传者或csdn删除

ML菜谱 由@ 5x12制作 信息 ML-Cookbook是一个包含监督学习算法模板的存储库。 如下面的“算法列表”所示，通过回归和分类将算法划分。 如何使用 每种算法均在Jupyter Notebook中按适当的说明分为不同的部分。 除数据输入和输入/目标变量定义外，无需调整任何部分。 请注意，所有算法都以一个数据集为例。 因此，在某些算法中，在这种情况下合适或适当的输入变量和目标变量的质量可能非常低。 算法清单 分类 神经网络分类器 线性支持向量机（LSVM） 逻辑回归 多类别分类 内核支持向量机（SVM） 决策树 朴素贝叶斯分类器 随机森林 回归 神经网络回归器 岭回归 套索回归 多项式回归 线性回归