材料是国民经济的基础,新材料的发现是推动现代科学发展与技术革新的源动力之一,传统的实验“试错型”研究方法具有成本高、周期长和存在偶然性等特点,难以满足现代材料的研究需求。近些年,随着人工智能和数据驱动技术的飞速发展,机器学习作为其主要分支和重要工具,受到的关注日益增加,并在各学科领域展现出巨大的应用潜力。

技术因子的智能择股研究：利用机器学习技术建立智能策略分析框架

SuperMap以统计学为基础，提供了丰富的空间统计算子支持，同时基于机器学习和深度学习等人工智能理论与算法，面向地理空间领域问题，构建多样化AI GIS功能，服务于GIS空间数据处理、分析、挖掘与综合建模。本文档从空间机器学习和空间深度学习两方面介绍SuperMap的AI GIS产品。

EconML：用于基于ML的异构处理效果估计的Python包 EconML是一个Python软件包，用于通过机器学习从观察数据中估计异构处理效果。 此软件包是作为Microsoft Research的一部分设计和构建的，目的是将最新的机器学习技术与计量经济学相结合，以使自动化解决复杂的因果推理问题。 EconML的承诺： 在计量经济学和机器学习的交集中实现文献中的最新技术 保持建模效果异质性的灵活性（通过诸如随机森林，增强，套索和神经网络之类的技术），同时保留对所学模型的因果解释，并经常提供有效的置信区间 使用统一的API 建立在用于机器学习和数据分析的标准Python软件包的基础上 机器学习的最大希望之一就是在众多领域中自动化决策。 许多数据驱动的个性化决策方案的核心是对异构处理效果的估计：对于具有特定特征集的样本，干预对感兴趣结果的因果关系是什么？ 简而言之，该工具包旨在测量某些治疗变量T对结果变量Y的因果效应，控制一组特征X, W以及该效应如何随X 。 所实施的方法甚至适用于观测（非实验或历史）数据集。 为了使估计结果具有因果关系，有些方法假定没有观察到的混杂因素（即， X,

第七章 Clementine 的建模技术 第八章 神经网络 第九章 规则归纳 第十章 模型的比较和合并 第十一章 Kohonen 网络 第十二章 关联规则 第十三章 时序分析 第十四章 其它模块

通过机器学习技术进行很棒的源代码分析 使用机器学习技术（例如，深度学习，PCA，SVM，贝叶斯，概率模型，再信息学习技术等）进行源代码分析应用程序的资源列表 维护者 贡献 请随时，发送电子邮件给Peter Teoh（ ）或加入我们的聊天室以添加链接。 [] 分享分享 目录 机器学习指导的选择性不正确静态分析 针对大代码和自然性的机器学习概览 Ariadne：机器学习程序分析 将机器学习与信号的信号处理和NLP处理结合使用以使用MARFCAT识别，检测和分类漏洞和弱点 VulDeePecker：基于深度学习的漏洞检测系统 code2vec：学习代码的分布式表示形式 通过机器学习自动检测软件漏洞 用于漏洞预测的自动功能学习 神经图灵机 DeepCoder：学习编写程序 神经程序合成的最新进展 实时程序综合的神经引导演绎搜索 RobustFill：嘈杂的I / O下的

波塞冬 软件定义的网络态势感知 波塞冬始于两个IQT Labs： 和。 该项目的目标是探索一种方法，以更好地识别给定（计算机）网络上的节点并了解它们在做什么。 该项目利用软件定义网络和机器学习来自动捕获网络流量，从流量中提取相关特征，通过经过训练的模型进行分类，传达结果，并提供采取进一步行动的机制。 尽管该项目最有效地利用了现代SDN，但它的部分内容仍可以与数据包捕获（pcap）文件一起使用。 目录 背景 波塞冬（Poseidon）项目最初是作为一项实验来测试，以测试利用SDN和机器学习技术检测异常网络行为的优点。 （请阅读下面链接的我们的，以了解其多年背景）。尽管这个长期目标仍然存在，但不幸的现实是，用于ML训练的丰富，标签化，公共和MODERN网络数据集的状态非常差。 我们的实验室正在努力提高网络训练集的可用性，但是在短期内，该项目仍将重点放在1）提高识别节点IS的准确性（基于捕获的IP标头数据）和2）将Poseidon开发为“利用”以容纳其他使用案例的机器学习技术。 （阅读：不只是我们的！） 先决条件 -Poseidon和相关组件在Docker之上运行，因此了解基础知识对于

利用机器学习技术进行信用卡交易欺诈检测 欺诈性信用卡交易的分类。

人工智能算法学习

R项目 数据探索，可视化，功能工程和机器学习技术。