项目介绍 该项目基于CNN + BLSTM + CTC实现验证码识别。 该项目仅适用于部署模型，如果您需要训练模型，请转到 知情的 默认的require.txt将安装CPU版本，将“ requirements.txt”从“ TensorFlow”更改为“ TensorFlow-GPU”以切换到GPU版本，使用GPU版本安装相应的CUDA和cuDNN。 demo.py：有关如何调用预测方法的示例。 模型文件夹文件夹用于存储模型配置文件，例如model.yaml。 graph文件夹用于存储编译的模型，例如model.pb 部署服务将自动加载模型配置中的所有模型。 添加新模型配置后，将自动加

欺诈检测模型

时间序列分析 非常有趣的时间序列机器学习模型 这主要集中在使用表格数据集的时间序列分析上。 探索性数据分析（EDA）包含： 每日，每月和每年的销售额 使用Qunatile方法查找数据的异常值 平稳计算，自相关函数（ACF）和偏相关函数（PACF） 我用于时间序列分析的模型 ARIMA，SARIMAX 线性回归 随机森林回归 决策树回归器 梯度提升回归器 Ada Boost回归器 XG加速 K邻居回归器 支持向量回归 LSTM

进化模型-古诺竞争 古诺竞争的模型，具有进化的转折。

me 贝叶斯线性混合效应模型 R的软件包。基于 该软件包的预构建捆绑包可在。 可以使用典型的install.packages()机制从R内部安装这些文件。 从源代码安装的步骤： 从R内安装remotes软件包： install.packages( " remotes " ) 跑步： remotes :: install_github( " vdorie/blme " )

冠状病毒预测模型 此仓库包含一个贝叶斯模型，该模型可用于分析和预测本地COVID-19大流行。 方法 这是具有随时间变化的接触率（β）的模型。 Beta估计值受约束开始于R0的先前分配附近，然后随着锁定和限制的到位而允许其徘徊。 先验被置于基于先验文献的动态参数上； 未观察到的beta组件使用了一些信息性的先验，从而使模型保持稳定。 要生成澳大利亚数据的图表，请运行 ，它使用指定的Stan模型。 欢迎发表评论，反馈，问题和建议：随时在此处打开“问题”或“拉取请求”，在ping我，或给我发送电子邮件（ jamie1212@gmail.com ）。 当前结果 这是澳大利亚最新生成的预报。 请注意，此处适用标准警告和谦虚建模。 理解该图表的一种方法是“以面值获取报告的数据，并对病毒的行为方式做出合理的假设，以及未来的前景如何？” 贡献 此回购遵循Google的标准开源条件； 有关更多详细信

GhostNet的PyTorch实施 如GhostNet中所述重现GhostNet架构的由Kai Han，Yunhe Wang，祁天，郭建元，徐纯景，关于框架的ILSVRC2012基准。 预训练模型 建筑学 ＃ 参数 MFLOPs 前1名/前5名准确性（％） 5.181百万 140.77 73.636 / 91.228 from ghostnet import ghostnet net = ghostnet () net . load_state_dict ( torch . load ( 'pretrained/ghostnet_1x-9c40f966.pth' )) 培训策略 8个GPU上的批处理大小为1024 初学率0.4 重量衰减0.00004 辍学率0.2 BN重量无衰减 我们将上述设置保持不变，并使用以下不同的训练技术进行实验，以进行消融和繁殖。 在预热阶段，学

控制系统 这个包提供了估计动态条件分数 [DCS] 类模型的功能，由 Harvey & Chakravarty (2008, 2009) 和 Creal, Koopman & Lucas (2013) 提出，同时独立地作为广义自回归分数 [GAS]楷模。 Harvey (2013) 对这些模型的理论进行了全面介绍。 当前版本包中DCS类的模型包括： 高斯 copula GAS 模型（Creal、Koopman 和 Lucas，2013 年）； 标记点过程 GAS 模型（Creal、Koopman 和 Lucas，2013）； Beta-t-GARCH DCS 模型（Harvey 和 Chakravarty，2008 年）； Beta-t-EGARCH DCS 模型（Harvey 和 Chakravarty，2008 年）； GAS 波动率模型（Creal、Koopman 和 L

决策树 2015 年 5 月作者：张天和秦敬尧课程：机器学习，西北大学，伊利诺伊州埃文斯顿 我们在这个项目中实现了基于 C4.5 算法的决策树模型。 DecisionTree.py 是包含主要功能的执行文件，c45.py 包含 C4.5 和剪枝算法。 ##如何运行代码要运行程序，请以以下格式之一键入命令行： Format_1: python filename.csv(execute) train unpru filename.csv(train) ratio filename.csv(metadata) Format_2: python filename.csv(execute) train pru filename.csv(train) ratio filename.csv(metadata) filename.csv(validate) Format_3: python filenam

CIT_LSTM_TimeSeries 用于电力负荷预测的LSTM模型最佳深度学习使用特征选择和遗传算法进行电力负荷预测的LSTM模型：与机器学习方法的比较Salah Bouktif，Ali Fiaz，Ali Ouni和M. Adel Serhani