比特币机器学习分析纸的实现 内容 关于项目 动机 算法 结果 使用的技术/框架 关于项目 我自己执行的论文，《使用机器学习分析比特币的特性如何影响比特币的价格》（英文） 使用BlockChain API并在多项式回归上实现。 动机 量化项目 算法 使用Blockcahin Wallet API从数据集中提取比特币的特征。 实施了多项式回归，以找出每种特征是否与比特币价格相关。 下表显示了使用的特性及其定义。 结果 下面显示了随着时间的流逝，每个特征如何变化的结果。 矿工的收入显示出最适合的回归模型。 使用的技术/框架 内置 Python 区块链API

序列对齐 C语言中的Smith-Waterman和Needleman-Wunsch对齐网址： ： 作者：艾萨克·特纳（Isaac Turner） 许可证：公共领域更新时间：2015年8月18日 关于 最佳局部（Smith-Waterman）和全局（Needleman-Wunsch）对齐算法的C实现。 编写为快速，便携式和易于使用。 命令行实用程序smith_waterman和needleman_wunsch提供了极大的灵活性。 代码也可以轻松地包含在第三方程序中，有关示例，请参见nw_example/和sw_example/目录。 还包括perl模块，以向程序提供perl API。 特征： 对齐任意一对ASCII序列（DNA，蛋白质，单词等） 指定比对评分系统或选择通用的评分系统（BLOSUM等） 指定与给定分数的任何字符匹配的通配符 与局部和全局对齐之间不存在不匹配（ --

一个基于KNN的ADABOOST分类器，使用Java在多线程中实现。 请查看主要示例。 包含演示数据。

geometry clipmaps的实现算法，目前这方面源码比较少，希望对感兴趣的童鞋有帮助。

XNOR-Net-Pytorch 这是的PyTorch实现。 我为以下项目实现了二值化神经网络（BNN）： 数据集 网络 准确性 浮点精度 MNIST LeNet-5 99.23％ 99.34％ CIFAR-10 网络中网络（NIN） 86.28％ 89.67％ 影像网 亚历克斯网 前1名：44.87％前5名：69.70％ 前1名：57.1％前5名：80.2％ MNIST 我为MNIST数据集实现了LeNet-5结构。 我正在使用提供的数据集阅读器。 要运行培训： $ cd /MNIST/ $ python main.py 预训练的模型可以在下载。 要评估预训练模型： $ cp /MNIST/models/ $ python main.py

土 Jerome Friedman的scikit-learn样式的Multivariate Adaptive Regression Splines算法的Python实现。 py-earth包使用Cython实现了多元自适应回归样条，并提供了与scikit-learn的Estimator，Predictor，Transformer和Model接口兼容的接口。 有关多变量自适应回归样条曲线的更多信息，请参见下面的参考。 现在有了缺少的数据支持！ py-earth包现在支持其预测变量中的缺失。 构造Earth对象时只需设置allow_missing=True 。 要求反馈 如果您希望在py-earth中看到其他功能或改进，请给我发送电子邮件或打开或评论问题。 特别是，请让我知道以下任何一项对您是否很重要： 速度提高 将模型导出为其他格式 在安装过程中支持共享内存多处理 支持周期预测器（例如

共享内存区 一个非常简单的字典实现。 要求：Python> = 3.8 >> from shared_memory_dict import SharedMemoryDict >> smd = SharedMemoryDict ( name = 'tokens' , size = 1024 ) >> smd [ 'some-key' ] = 'some-value-with-any-type' >> smd [ 'some-key' ] 'some-value-with-any-type' arg name定义了内存块的位置，因此，如果要在进程之间共享内存，请使用相同的名称 安装 使用pip ： pip install shared-memory-dict 锁具 要使用共享内存字典的写操作，请设置环境变量SHARED_MEMORY_USE_LOCK=1 。 Django缓存实现 有

PointRend PointRend的PyTorch实现PointRend: Image Segmentation as Rendering 此回购用于PascalVOC数据集上的“仅语义分割”。 许多细节与纸张的可行性检查有所不同。 复制图5。 在狗图像上显示来自不同策略的采样点。 参见 原始图 参考： 如何使用： 首先，在修复数据路径 多GPU培训请参阅Single GPU Training详细信息 ➜ python3 -m torch.distributed.launch --nproc_per_node={your_gpus} main.py -h Sinle GPU培训 ➜ python3 main.py -h usage: main.py [-h] config save PyTorch Object Detection Training positional

Spring_Nats Spring实现。 带注释的Java Bean实例可以基于健壮的NATS消息传递系统相互通信。 在Spring_Nats中可以使用以下方法注释： @Publish：调用bean方法时，发布一条消息，该消息带有带有@Key注释的参数作为键，并返回String作为值。 每次方法调用时都会对注释进行评估。 @Subscribe：订阅可以指定为纯文本或bean属性的主题。 仅在bean创建期间评估此注释。 @Request：向订阅者发送请求以进行响应。 请求字符串可以指定为纯文本或bean属性。 仅在bean创建期间评估此注释。 入门 向Maven pom.xml添加依赖项 com.github.tyagihas spring_nats</ artifact

http://blog.csdn.net/penngo/archive/2010/12/17/6081283.aspx附件源码