不推荐使用-请参阅GitHub中的新存储库：https://github.com/openeventmachine/em-odp开放式事件机（OpenEM或EM）是最初为网络开发的事件驱动的多核优化处理概念的体系结构抽象和框架。 它以极低的开销运行完成原理为可扩展且动态负载平衡的多核数据平面应用程序提供了简单的编程概念。 EM可以在裸机上运行以获得最佳性能，也可以在经过特殊安排的操作系统下运行。 此版本的Open Event Machine包含EM API以及用于Intel多核CPU的示例实现。 !!! 笔记 ！！！ 发行版本编号方案已更改：v1.5跟随v1.1.0，其中1.1反映了使用的OpenEM API版本。

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