深度签名转换
在神经网络中将签名变换用作池化层。
这是Bonnier，Kidger，Perez Arribas，Salvi，Lyons 2019的论文的代码。
看看了PyTorch实现签名变换。
概述
如果您已经对神经网络有所了解，那么您的想法就是“签名变换”是一种非常出色的变换，它可以从数据流中提取特征，因此尝试将其内置到其中是很自然的事情。我们的神经网络模型。
如果您已经开始了解签名，那么您可能知道它们以前仅用作功能转换，并在其上构建了模型。 但是实际上可以通过签名变换反向传播，因此，只要您正确地设计模型（必须“保持流”；请参阅本文），那么将签名嵌入到神经网络中实际上是有意义的。 在签名变换之前学习非线性可以提供一种紧凑的方式来选择（原始路径的）签名中的哪些项对给定的数据集有用。
什么是签名？
数据流的签名本质上是有关该数据流的统计信息的集合。 统计信息的收集在捕获有关数据流的
2021-10-20 17:02:57
470KB
1
股票价格预测
Udacity-机器学习纳米学位课程：Project-6（Capstone项目）
项目概况
这是Udacity-机器学习纳米学位计划中列出的一系列项目中的第六个也是最后一个顶点项目。
投资公司，对冲基金甚至个人一直在使用财务模型来更好地了解市场行为并进行有利可图的投资和交易。 历史股价和公司绩效数据的形式提供了大量信息，适用于机器学习算法进行处理。
我们真的可以通过机器学习预测股价吗？ 投资者通过分析数据做出有根据的猜测。 他们将阅读新闻，研究公司的历史，行业趋势以及做出预测的其他许多数据点。 流行的理论是，股票价格是完全随机且不可预测的，但这提出了一个问题，为什么摩根士丹利和花旗集团这样的顶级公司会聘请定量分析师来建立预测模型。 我们的想法是，交易大厅里充斥着肾上腺素的男人，他们之间的联系松散，向电话里喊着什么，但如今，他们更有可能看到成排的机器学习专家静静地坐在电脑屏幕前。 实际上，现在华尔街上约70％的订单都是通过软件下达的，我们现在处在算法时代。
该项目利用深度学习模型，长期记忆（LSTM）神经网络算法来预测股票价格。 对于具有时间范围的数据，递归神经网络（
2021-10-19 19:47:54
2.49MB
1
俄语中的推文情感分析：使用带有Word2Vec嵌入的卷积神经网络（CNN），对俄语中的推文进行情感分析
2021-10-19 17:42:54
449KB
1
决策树分类matlab代码应用机器学习和数据科学食谱-面向初学者的数据科学编码训练营
使用Python，R和MATLAB的应用机器学习和数据科学
适用于应用机器学习和数据科学的Python，R和MATLAB代码列表
应用机器学习和数据科学的7个步骤：
通过编码分类学习：
分类：
数据分析：
数据科学：
数据可视化：
机器学习食谱：
熊猫：
Python：
SKLEARN：
监督学习：
表格数据分析：
端到端数据科学食谱：
应用统计：
套袋乐团：
促进合奏：
CatBoost：
聚类：
数据分析：
数据科学：
数据可视化：
决策树：
LightGBM：
机器学习食谱：
多类别分类：
神经网络：
Python机器学习：
Python机器学习速成课程：
R分类：
R对于初学者：
R
for
Business
Analytics：
R
for
Data
Science：
用于数据可视化的R：
适用于Excel用户的R：
R机器学习：
R机器学习速成课程：
R回归：
回归：
XGBOOST：
有抱负的数据科学家的项目组合项目：表格文本和图像数据分析以及Python和R
@中的时间序列预测
西澳大
2021-10-19 16:49:27
1KB
1
数据框
这是一个C ++统计库，提供类似于Python中的Pandas包的接口。 一个DataFrame可以具有一个索引列和许多内置或用户定义类型的数据列。 您可以采用许多不同的方式对数据进行切片。 您可以加入，合并，分组数据。 您可以对数据运行各种统计，摘要和ML算法。 您可以轻松添加自定义算法。 您可以进行多列排序，自定义选择和删除数据。 和更多 … DataFrame还以访问者的形式包含了大量的分析例程-请参阅下面的。 这些从基本统计数据（例如均值，标准偏差，返回等）到更复杂的分析（如亲和力传播，多项式拟合，赫斯特指数）等，请参阅以获取代码示例的完整列表，以及如何添加自定义算法。
我遵循了该库中的一些原则：
支持内置或用户定义的任何类型，而无需新代码
从不追踪指针ala linked lists ， std::any ， pointer to base ，...，包括virtual function calls
将所有列数据放在连续的存储空间中。 另外，请注意多列之间的高速缓存行别名缺失
永远不要使用超过您所需的ala unions ， std::variant ，...
2021-10-19 15:19:24
1.73MB
1
在TensorFlow 2.0中实现的YoloV3
此仓库使用所有最佳实践在TensorFlow 2.0中提供了YoloV3的干净实现。
主要特点
TensorFlow 2.0
yolov3具有预先训练的权重
yolov3-tiny具有预先训练的权重
推论实例
转移学习的例子
使用tf.GradientTape急切模式训练
使用model.fit图模式训练
具有tf.keras.layers功能模型
使用tf.data输入管道
Tensorflow服务
向量化转换
GPU加速
完全集成的absl-py从
干净的实施
遵循最佳做法
麻省理工学院执照
用法
安装
conda（推荐）
# Tensorflow CPU
conda env create -f conda-cpu.yml
conda activate yolov3-tf2-cpu
# Tensorflow GPU
conda env create -f conda-gpu.yml
conda activate yolov3-tf2-gpu
点子
pip install -r requireme
2021-10-19 11:14:57
3.99MB
1
30分钟快速了解机器学习，CBIO Chloé-Agathe Azencott讲解，41页ppt
来自CBIO Chloé-Agathe Azencott讲述的机器学习简明教程，30分钟内容快速了解机器学习。
2021-10-18 22:10:51
10.49MB
1
本教程介绍了机器学习(ML)的一些主要概念。从工程的角度来看，ML领域围绕着实现科学原理的软件开发: (i) 对一些现象设定一个假设(选择一个模型)，(ii) 收集数据来验证假设(验证模型)，(iii) 完善假设(迭代)。基于这一原理的一类重要算法是梯度下降法，它旨在迭代地细化由某个(权重)向量参数化的模型。通过结合假设空间(模型)、质量度量(损失)和模型优化(优化方法)的计算实现的不同选择，可以得到大量的ML方法。目前许多被认为是(人工)智能的系统都是基于几种基本机器学习方法的组合。在形式化ML问题的主要构建模块之后，讨论了ML方法的一些流行算法设计模式。本教程是在“机器学习:基本原理”和“人工智能”两门课程的课堂笔记基础上发起来的，这两门课程我从2015年开始在阿尔托大学(Aalto University)与人合作授课。
2021-10-18 17:12:05
3.66MB
1