学习者表现预测算法的简单而高效的实现： 设置 创建一个新的conda环境，安装和其余要求： conda create python==3.7 -n learner-performance-prediction conda activate learner-performance-prediction pip install -r requirements.txt conda install pytorch==1.2.0 torchvision==0.4.0 -c pytorch 该代码支持以下数据集： （assistments09） （assistments12） （assistments15） （assistments17） （bridge_algebra06） （algebra05） （西班牙语） （静电） 数据集 ＃个用户 ＃ 项目 ＃技能 ＃互动

cnn-bilstm-attention-time-series-prediction_keras-mastercnn-bilstm-attention-time-series-prediction_keras-mastercnn-bilstm-attention-time-series-prediction_keras-mastercnn-bilstm-attention-time-series-prediction_keras-mastercnn-bilstm-attention-time-series-prediction_keras-mastercnn-bilstm-attention-time-series-prediction_keras-mastercnn-bilstm-attention-time-series-prediction_keras-mastercnn-bilstm-attention-time-series-prediction_keras-mastercnn-bilstm-attention-time-series-prediction_keras-ma

空气质量预测 现在是德里的冬季，所以科迪决定去报摊散步，一见到报纸上德里的空气质量指数就感到惊讶。因此，他决定收集不同位置的空气样本，然后将这些样本带到他的实验室，在那里他提取了所收集空气的五个特征，这些特征可用于预测空气质量指数并将其与空气质量指数相结合。报纸。为您提供了Cody收集的数据，您的工作是设计一个机器学习模型，该模型可以让Cody提取的特征可以预测空气质量。

空气质量预测 近年来，空气污染急剧增加，并且对所有生物造成的影响更糟。 世界上大多数国家都在与日益增加的空气污染水平作斗争。 因此，控制和预测空气质量指数已成为必要。 在此研究项目中，我们将实施数据挖掘和机器学习模型来预测AQI并将AQI归类。 对于AQI预测，我们已经实现了五个回归模型主成分，偏最小二乘法，留一维CV的主成分，留一维CV的偏最小二乘，多个印度城市的多元回归AQI数据。 根据AQI的值，AQI指数进一步分为6个不同的类别，即“好，满意，中，差，非常差和严重”。 为了预测AQI桶，我们使用重复CV分类算法开发了三种分类模型，分别是多项式Lo​​gistic回归和K最近邻和K最近邻。 来自印度不同城市的空气质量数据集，具有留一法交叉验证的PLS模型。

Matlab的耳语描述 这是用于2016年我的解决办法结束8日将在私人排行榜代码，它是基于对公共排行榜与0.80396 AUC分类决策树和0.79074 AUC私人排行榜。 软件 Matlab 2014a 二手工具箱：统计工具箱，信号工具箱，小波工具箱 特征 在每个频道的整个10分钟文件中计算功能，而不会分成任何较短的纪元。 我基本上从示例提交脚本中获取了所有功能，并根据我的直觉和有关此主题的一些文章添加了其他功能。 功能包括： 平均值，标准偏差，偏度，峰度，光谱边缘，香农熵（用于信号和Dyads），Hjorth参数，几种类型的分形维数 使用Morlet波的10尺度小波变换的奇异值 -0.5，+ 0.5秒间隔内通道之间的最大相关性，频域中通道之间的相关性，每个二进位级上通道功率谱之间的相关性 每个频道共有73个功能，只使用了功能的实际部分。 交叉验证 我使用了统计工具箱中的cvpartition ，它可以创建随机分区，其中每个子样本具有相等的大小和大致相同的类比例。 我不在乎序列会导致我的本地AUC结果比排行榜高出约0.1。 模型 为每个通道和患者创建一个分类决策树模型，将患者通道间的

Heart_Disease_Prediction “＃Heart_Disease_Prediction”

2月22日打卡学习记录 一开始把Aliyun和Docker账号搞混了，出了很多模型奇妙的bug最后还是好不容易在最后关头跑通了。。太难了我的天。 通过pycharm终端构建图像 将图像推送到我的注册表 成功记录得分：-16 2月26日打卡学习记录 因为数据很多，所以我们使用tsfresh来生成功能，只是一个自动的功能工程，然后套入了模型。 后续思路是使用transformer来进行预测。

随着Web服务的指数级增长，建议使用各种协作QoS预测方法对服务质量（QoS）进行有效评估，并帮助用户选择合适的服务。 考虑到服务调用的复杂时空上下文的影响并在预测过程中利用它们的特征，仍然是一项技术挑战。 为此，我们提出了两个通用的时空上下文感知协作神经模型（STCA-1和STCA-2），通过考虑服务端和用户端的调用时间和多个空间特征来进行QoS预测。 我们提出的模型利用层次神经网络来实现原始特征的嵌入表达，二阶特征的生成，一阶和二阶特征的融合，空间特征之间的交互以及时态特征的逐层化。 特别地，引入注意力机制来自动地将权重分配给空间特征，并实现在特征融合中的判别性应用。。在大规模数据集上的实验证明了该方法的有效性：（1）。预测误差可以显着与基线方法相比尤其如此。在稀疏训练数据的情况下，我们的模型在MAE和NMAE方面的性能提高了约10.9–21.0％，在RMSE方面的性能提高了2.4–7.8％。 （2）注意机制使我们能够更合理地对特征融合的有效性做出直观的解释，从而增强了预测模型的可解释性。

link_prediction

合作者_link_prediction_V1 这是一个python代码，用于在两个公共可用的cauthorship网络数据集中实施链接预测： 1-ArnetMiner 2dblp 每个cauthorship网络均以图表形式显示。 该图是使用R代码运行network_graph_similarity.R脚本生成的，该脚本还会在网络中的每个两个顶点/节点之间生成一些相似性特征。 除了从作者网络中提取的其他功能以外，这些功能还用于训练进行链接预测的机器学习分类器。 有关此链接预测方法和使用此代码的更多信息，请引用以下文章： 多阿·哈桑（Doaa Hassan）。 “基于研究绩效以及研究兴趣和隶属关系的相似性的共同作者网络中的监督链接预测”。 在国际机器学习与控制论会议论文集（ICMLC 2019）中，日本神户，2019年7月。