PyDenseCRF 这是PhilippKrähenbühl （第2版，）的（基于Cython的）Python包装器。 如果您将此代码用于reasearch，请引用： Efficient Inference in Fully Connected CRFs with Gaussian Edge Potentials Philipp Krähenbühl and Vladlen Koltun NIPS 2011 并以脚注或引用的形式提供到此存储库的链接。 安装 该软件包位于PyPI上，因此只需运行pip install pydensecrf即可安装它。 如果您想要最新的版本，可以通过执行以下命令进行安装： pip install git+https://github.com/lucasb-eyer/pydensecrf.git 并忽略了来自本征的所有警告。 请注意，此包装器需要相对较新的Cython版本（至少0.22版），而Ubuntu 14.04随附的版本太旧。 （感谢Scott Wehrwein指出这一点。）我建议您使用并在那里安装最新版本的Cython（ pip ins

工具箱添加到matlab的方法： >>addpath RVCDIR >>startup_rvc RVCDIR是解压该文件夹之后，rvctools文件夹子文件所在目录，注意目录要到rvctools层。命令startup_rvc会将各种子文件添加给你的路径。

恶毒的 基于实体级别F1分数的命名实体识别（NER）系统的评估脚本。 定义 Nadeau和Sekine（2007）已描述了此处实施的度量标准，该度量标准已广泛用作“消息理解会议”的一部分（Grishman和Sundheim，1996）。 它根据两个轴评估NER系统：是否能够为实体分配正确的类型，以及是否找到确切的实体边界。 对于两个轴，都计算正确的预测数（COR），实际的预测数（ACT）和可能的预测数（POS）。 从这些统计数据中，可以得出准确性和召回率： precision = COR/ACT recall = COR/POS 最终得分是对类型和边界轴的精度和召回率进行微平均的F1度量。 安装 pip install nereval 用法 当分类结果已写入JSON文件时，可以从Python内部使用此脚本，也可以从命令行使用该脚本。 从命令行使用 假设我们在input.json具有以下

Helstrom量子质心分类器 Helstrom量子质心（HQC）分类器是一种受量子启发的监督分类方法，用于具有二进制类的数据（即，仅具有2类的数据）。 受到量子启发的意思是指采用和利用量子理论的分类过程。 它受到可观察到的量子Helstrom的启发，该量子行为作用于量子模式之间的可区分性，而不是数据集的经典模式。 HQC分类器基于Giuseppe Sergioli，Roberto Giuntini和Hector Freytes在他们的论文中进行的研究： Sergioli G, Giuntini R, Freytes H (2019) A new quantum approach to

PRMLT：PRML书籍中用于机器学习算法的Matlab代码

在线社交网络上的谣言检测研究最后一年研究项目的源代码。 抽象 这项研究旨在确定诸如Twitter和Facebook之类的在线社交网络上谣言的关键特征。 鉴于互联网作为新闻来源的普及性以及互联网上信息的不断增长，自动识别谣言的重要性正变得越来越重要。 开发了一组定性和定量指标，以更好地了解每个搜索查询的特征及其生成的结果数据集。 定量指标表明数据集的大小，而定性指标则评估数据集的新闻/谣言纯度和上下文纯度。 指标将指示数据集从数据集中剖析不同上下文所需的预处理工作量，并使其对进一步分析更加有用。 利用计算机科学和社会科学的现有文献，进行了三个实验： 数据集的总体情绪概况是什么？ 在以谣言为中

罗斯·曼·卡格 使用监督学习模型和时间序列分析，可以预测Rossmann药店的未来6周销售情况。 应用了所有数据科学步骤，包括数据清理，探索性数据分析，数据准备，创建机器学习模型，性能分析（MAE，MAPE，RMSE）以及使用Flask和Heroku部署到云中。

机器学习和深度学习简单（基于应用程序）项目 该存储库包含完成的简单实践项目，以学习ML和DL概念。 每个单独的文件夹都包含一个单独的项目，并且文件夹本身中包含该项目的自述文件。 我还附有我的课程证书。 项目清单是： 使用支持向量机的面部识别：使用numpy实现SVM，然后将其用于执行小型数据集的基本面部识别任务。 使用Yellowbrick分析混凝土的抗压强度：使用简单的回归分析，使用kaggle上的可用数据集来预测混凝土的抗压强度。 从零开始开发人工神经网络以执行股价预测：使用使用sklearn的自定义构建的香草人工神经网络，并实时预测股价。 MNIST Flask应用程序：在MNIST手写号码的数据集上使用ML和DL方法，并为此创建一个Web应用程序。 房价预测：使用Tensorflow的regresiion模型基于各种参数预测房价。 通过广告销售实现收入的多变量决定性优化

人工神经网络 纸质数据和代码 这是AAAI 2019论文： 的代码。 我们已经在Tensorflow和Pytorch中实现了我们的方法。 这是我们在论文中使用的两个数据集。 下载数据集后，您可以将它们放在文件夹datasets/ ： 友情链接： ://2015.recsyschallenge.com/challenge.html DIGINETICA： ://cikm2016.cs.iupui.edu/cikm-cup或 文件夹datasets/包含一个小的数据集sample ，可用于测试代码的正确性。 我们还写了解释该论文。 用法 您需要先运行文件datasets/preprocess.py来预处理数据。 例如： cd datasets; python preprocess.py --dataset=sample cd datasets; python preproces

Pairstrade-Fyp-2019 科大的最后一年项目。 我们测试了3种进行配对交易的主要方法： 距离法 协整方法（滚动OLS，卡尔曼滤波器） 强化学习代理（拟议） 。 “五年计划”成员：，， 如何开始？ 运行./setup.sh以安装所有依赖项 笔记 在我们的实验中，我们使用了来自盈透证券平台的财务数据，该平台不是免费的。 根据他们的规定，我们无法向公众发布实验中使用的财务数据。 随时使用您自己的价格数据进行实验。 免责声明 我们执行的策略尚未被证明在真实交易账户中有利可图 报告的回报完全来自回测程序，它们可能会受到我们不知道的前瞻性偏见的影响。 更新 我们不再对此进行开发，请查看关于RL代理的发现