语音情感识别 介绍 该存储库负责构建和培训语音情感识别系统。 该工具背后的基本思想是构建和训练/测试合适的机器学习（以及深度学习）算法，该算法可以识别和检测语音中的人类情感。 这对于许多行业领域很有用，例如提出产品推荐，情感计算等。 查看本以获取更多信息。 要求 Python 3.6+ Python包 librosa == 0.6.3 麻木 大熊猫 声音文件== 0.9.0 海浪 斯克莱恩 tqdm == 4.28.1 matplotlib == 2.2.3 pyaudio == 0.2.11 （可选） ：如果要通过转换为16000Hz采样率和convert_wavs.py提供的单声道来添加更多采样音频，则使用 通过以下命令安装这些库： pip3 install -r requirements.txt 数据集 该存储库使用了4个数据集（包括此仓库的自定义数据集），这些数

入侵检测 使用各种数据挖掘技术的入侵检测（KDD Cup 1999数据） 数据集位于 使用的技术： K均值（K = 59） 准确度93.077％ 精确 召回 F1分数 支持 攻击。 0.95 0.96 0.96 250436 正常。 0.83 0.80 0.82 60593 平均/总计 0.93 0.93 0.93 311029 决策树 准确度92.956％ 精确 召回 F1分数 支持 攻击。 1.0 0.91 0.95 250436 正常。 0.74 0.99 0.85 60593 平均/总计 0.95 0.93 0.93 31

股票市场预测Web应用程序使用机器学习 基于机器学习和推特情感分析（代码中包含的API密钥）的股市预测Web应用程序。 Web App的前端基于Flask和Wordpress 。 该应用程序根据用户的输入预测纳斯达克或NSE下任何给定股票的未来7天的股价。 使用三种算法进行预测： ARIMA，LSTM，线性回归。 该网络应用程序将未来7天的预测价格与推文的情绪分析相结合，以给出建议价格是上涨还是下跌 注意 由于超出了Github LFS的配额，Wordpress文件已从存储库中移出。 现在从下载 屏幕截图 在屏幕截图文件夹中查找更多屏幕截图，或 文件和目录结构 screenshots -

机器学习领域书籍，涉及专家意见学习、博弈等内容。

使用机器学习模型预测NBA结果 该的目的是为我的实验中获得的结果提供可视界面。 我试图预测从2021年3月31日起的NBA比赛结果。 为此，我将使用两个机器学习模型，一个逻辑回归模型和一个带有线性核的支持向量机。 直到3月31日，NBA总共踢了695场比赛。 由于大流行，今年的赛程表发生了变化，因此每支球队只能参加72场比赛，而不是通常的82场比赛。 因此，常规赛总共将有1080场比赛。 这个想法是用这695个游戏（约占65％）训练模型，并对其余游戏进行“实时测试”，每天更新预测和结果。 为了进行培训，我使用了3月31日之前所有NBA游戏的数据。多亏了nbastatR软件包，我才能够轻松抓取boxscore数据和其他统计信息。 我转换了数据并实现了功能，以计算最近10场比赛的球队统计数据的移动平均值，并计算ELO评分（有关ELO评分的详细信息，请参见和）。 因此，训练数据集包含48个列

CS291K 使用CNN-LSTM组合神经网络模型对Twitter数据进行情感分析 论文： : 博客文章： : 动机 该项目旨在扩展我们以前使用简单的前馈神经网络（位于此处： ＆ ）进行的情绪分析工作。 相反，我们希望尝试使用Tensorflow构建组合的CNN-LSTM神经网络模型，以对Twitter数据进行情感分析。 依存关系 sudo -H pip install -r requirements.txt 运行代码 在train.py上，更改变量MODEL_TO_RUN = {0或1} 0 = CNN-LSTM 1 = LSTM-CNN 随时更改其他变量（batch_

TensorFlow示例模型 基于TensorFlow的几种机器学习模型的实现（前三个-Logistic Regresion，MLP和CNN受启发）。 文件夹包含以下内容的简单实现： （带EM） 文件夹包含通过期望最大化算法（具有对角协方差，完全协方差，基于梯度等）训练的高斯混合模型实现的详细版本。 文件夹包含将GMM实现分解为一组连贯的类的初始尝试。

修改TensorFlow 2.4及以上（或2.2，如果您使用XCenterNet标记为V1.0.0）上述tf.keras实施CenterNet对象检测在描述由兴义周，王德泉，菲利普·克雷恩布尔和TTFNet刘屠征，徐国栋，杨正，刘海峰，蔡登。有关原始实现，请参阅和。 此实现不是本文或pytorch实现的精确副本，因为我们已根据需要对其进行了修改，因此此回购协议具有一些功能： 使用tf2.2 + keras模型train_step和tf.data.dataset 使用来自tf2.3 +的tensorflow.keras.applications.efficiencynet 高效的网络和Resnet骨干网 tf.dataset的多尺度训练和扩充 添加了更强大的NMS，以获得更好的结果 无需姿势估计或3D，只需简单的物体检测 使用可变形卷积 易于在自己的数据集上进行微调，并自定义自己的图像增强，

Triton推理服务器 最新版本：您目前在master分支上，该分支跟踪开发进度到下一发行版。 Triton Inference Server的最新版本是2.5.0，可在分支上。 Triton Inference Server提供了针对CPU和GPU优化的云和边缘推理解决方案。 Triton支持HTTP / REST和GRPC协议，该协议允许远程客户端为服务器管理的任何模型请求推理。 对于边缘部署，Triton可以作为具有C API的共享库使用，该API允许Triton的全部功能直接包含在应用程序中。 Triton Inference Server的当前版本为2.5.0，与上的triton

Advances in Financial Machine Learning By 作者: Marcos Lopez de Prado ISBN-10 书号: 1119482089 ISBN-13 书号: 9781119482086 Edition 版本: 1 出版日期: 2018-02-21 pages 页数: (400) $50 Machine learning (ML) is changing virtually every aspect of our lives. Today ML algorithms accomplish tasks that until recently only expert humans could perform. As it relates to finance, this is the most exciting time to adopt a disruptive technology that will transform how everyone invests for generations. Readers will learn how to structure Big data in a way that is amenable to ML algorithms; how to conduct research with ML algorithms on that data; how to use supercomputing methods; how to backtest your discoveries while avoiding false positives. The book addresses real-life problems faced by practitioners on a daily basis, and explains scientifically sound solutions using math, supported by code and examples. Readers become active users who can test the proposed solutions in their particular setting. Written by a recognized expert and portfolio manager, this book will equip investment professionals with the groundbreaking tools needed to succeed in modern finance.