人工智能-项目实践-强化学习-基于深度强化学习的原神自动钓鱼A Introduction 现已支持不同分辨率屏幕 原神自动钓鱼AI由YOLOX, DQN两部分模型组成。使用迁移学习，半监督学习进行训练。 模型也包含一些使用opencv等传统数字图像处理方法实现的不可学习部分。 其中YOLOX用于鱼的定位和类型的识别以及鱼竿落点的定位。DQN用于自适应控制钓鱼过程的点击，让力度落在最佳区域内。

人工智能-项目实践-电力负荷-基于LSTM的电力负荷预测 基于LSTM的电力负荷预测 预测的MAPE为2.3%，

人工智能-项目实践-迁移学习-使用VGG19迁移学习实现图像风格迁移 使用VGG19迁移学习实现图像风格迁移 这是一个使用预训练的VGG19网络完成图片风格迁移的项目，使用的语言为python，框架为tensorflow。 给定一张风格图片A和内容图片B，能够生成具备A图片风格和B图片内容的图片C。 下面给出两个示例，风格图片都使用梵高的星夜：

人工智能-项目实践-情感分析-基于LSTM网络与自注意力机制对中文评论进行细粒度情感分析 题目介绍 该题目为《细粒度用户评论情感分析》，来源于“全球AI挑战赛”。https://challenger.ai/competition/fsauor2018 对于题目内容以及任务描述均可从该网站获取，这里不再赘述。 成绩 单个模型最好的F1指标为：75.04 整体20个模型的综合F1指标为：68 数据集 数据集由比赛平台提供。包含105000条训练样本以及15000条测试样本。 关于数据集的标注可以点击这里查看。

人工智能-项目实践-图像聚类-Kmeans方法对图像色彩进行聚类

人工智能-项目实践-情感分析-基于python的股市情感分析 情绪与股市 情绪与股市关系的研究由来已久，情绪是市场的一个重要影响因素已成为共识。 15年股灾时，亲历了一次交易灾难，眼见朋友的数千万在一周不到的时间内灰飞烟灭。那段时间市场的疯狂，让人深刻地明白：某些时候，股票市场这个抽象、复杂的系统，反映的不再是价值与供需，而仅仅是人的贪婪与恐惧。 说明 这份代码是股市情感分析项目的一部分，这个项目的本意是利用互联网提取投资者情绪，为投资决策的制定提供参考。 在国内这样一个非有效的市场中，分析投资者的情绪似乎更有意义。 这里我们利用标注语料分析股评情感，利用分析结果构建指标，之后研究指标与股市关系。 可以按以下顺序运行代码： python model_ml.py python compute_sent_idx.py python plot_sent_idx.py

人工智能-项目实践-创新大赛-基于python的用户贷款风险预测 融360与平台上的金融机构合作，提供了近7万贷款用户的基本身份信息、消费行为、银行还款等数据信息，需要参赛者以此建立准确的风险控制模型，来预测用户是否会逾期还款。 ##解决方案概述## 本题很多关键属性被脱敏处理，比如时间戳和所有金额的值，这个对我们进行特征构造带来很多的影响，损失了很多业务信息。不过对于参赛者都是公平的，因而我们构造了大量的统计特征，根据模型及线上反馈最佳特征大多来自用户浏览行为browse_history和bill_detail，此外发现放款时间也是个强力特征，详细见代码部分。这里只放了我个人的代码，队友的特征工程很多类似的，也有一些独特之处，这里说几个思路：bill_detail表的特征按放款时间分为放款前放款后分别统计（还可以尝试多划分几个时间窗再统计）、基于熵的分箱处理（特征离散化，熊掌整理了思路见：最优分箱.docx）、排序特征、组合特征等，有兴趣可以自己去实现。模型方面，我本人主要玩了xgboost和lightgbm，队友也基本上是xgboost、RandomForest，在玩Stack

人工智能-项目实践-企业退出风险预测-基于python的企业经营退出风险预测，二分类问题 model: Xgboost 数据处理： pandas 文件夹结构介绍 data/alldata/： 存放所有的得到的数据文件 data/public/: 题目给定的原始数据 (https://pan.baidu.com/s/1nuJNz9B) 提取密码：t2ek 运行之前，请建立对应的文件夹，并导入数据。 model/：运行的model文件 feature/: 提取特征的py文件 saveModel/: 保存model，可以不使用 stack/: stacking特征的py文件 xresult/：存放输出结果的文件

人工智能-项目实践-汽车投保风险指数预测-基于xgboost的汽车投保风险指数预测

人工智能-项目实践-主机被攻击风险预测-建立基于使用者特征的模型进行主机被攻击风险的预测 02.py 描述了数据属性重编码的方式，将原有的数据转换为数字形式的categorical类型的数据 dataInsight.py 描述了 读取数据集，重编码（独热编码，这部分我也是复制别人的），初始化神经网络，训练神经网络， 使用已训练的网络进行预测并计算评价指标，评价指标这部分我也是找的代码