Prediction-Machines-The-Simple-Economics-of-Artificial-Intelligence

语言模型和自动人格预测 该存储库包含论文“ 代码，该论文发表在2020年IEEE国际数据挖掘大会上。 这是一组用tensorflow + pytorch编写的实验，旨在探索Essays数据集（使用Big-五个人格标记的特征）和Kaggle MBTI数据集上使用语言模型进行自动人格检测。 安装 通过以下方式从GitLab提取此存储库： git clone git@gitlab.com:ml-automated-personality-detection/personality.git 有关可通过以下方式安装的相关软件包的列表，请参见requirements.txt： pip -r requirements.txt 用法 首先运行LM提取器代码，该代码将数据集通过语言模型传递，并将（所有图层的）嵌入存储在pickle文件中。 创建此“新数据集”可为我们节省大量计算时间，并允许有效搜索超

bike_count_prediction 预测在首尔租用的自行车数量 目的 该项目的目的是预测在首尔租用的自行车数量。 如果首尔公共租赁自行车系统背后的公司首尔自行车能够准确预测需求，那么它就能更好地为客户提供服务。 数据集 数据集来自加利福尼亚大学尔湾分校的机器学习存储库，位于。 方法论 此数据分析项目的步骤包括以下步骤： 资料检索 初始数据处理 具有辅助数据处理的探索性数据分析 资料建模 发现 我训练并调整了以下模型： 线性回归 弹力网 岭回归 套索回归 广义弹性网 随机森林 助推树 最近的邻居 其中，当在训练数据集上进行k倍重复交叉验证时，随机森林模型和增强树表现最佳。 在测试数据集上进行评估时，随机森林模型和增强树的均方根误差（RMSE）分别为228和229。可以在找到完整的报告。

股票买卖最佳时机leetcode 股票价格预测使用 LSTM 和 ARIMA 简介 最基本意义上的股票是一种证券，代表公司一小部分的所有权。 拥有公司的股票使股东有权获得该公司的部分资产和利润。 股票主要在证券交易所购买。 证券交易所不拥有股票，而是充当股票买家与卖家联系的平台。 纽约证券交易所、纳斯达克、伊斯坦布尔证券交易所可以作为交易所的例子。 股票市场的价格是由供求关系决定的。 随着时间的推移，股票已经能够胜过许多其他类型的金融投资，并且仍在继续这样做。 分析和交易股票以获利是世界上几乎所有地方的普遍做法。 有些零售交易员在交易股票时可能有不同的日常工作，有些专业交易员和经纪人的唯一收入是他们从交易中获得的利润。 股票交易的高风险性质需要优秀的数学家和统计学家开发模型以最好地分析股票的各个方面，并在正确的时间做出最佳决策，买入、卖出或对股票执行其他更高级的操作。 定量分析是一种使用数学建模来理解行为的技术。 在这种情况下，通过定量方法调查的行为是股票价格的行为。 如果股票的行为可以被预测，预测它的一方就可以通过交易获利。 对冲基金和投资银行进行定量分析的人通常被称为“quants

房屋价格预测 欢迎来到房价预测挑战赛，您将通过设计一种算法来准确预测印度的房价，从而测试您的回归技巧。 准确预测房价可能是一项艰巨的任务。 买家只是不关心房屋的大小（平方英尺），还有其他各种因素在决定房屋/物业的价格中起着关键作用。 找出有助于理解买方行为的正确属性集可能非常困难。 该数据集已经收集了印度各个房地产聚合商的数据。 在此竞赛中，作为12位影响因素，您作为数据科学家的作用是尽可能准确地预测价格。 另外，在本次比赛中，您将有大量空间用于特征工程和掌握高级回归技术，例如，Random Forest，Deep Neural Nets和各种其他集成技术。 数据描述：Train.csv-29451行x 12列Test.csv-68720行x 11列样本提交-可接受的提交格式。 （具有68720行的.csv / .xlsx文件） 属性说明：POSTED_BY-列出了财产UNDER_C

深度学习对作物产量的预测 我们论文的必要代码，《 ，AAAI 2017（计算机可持续性研究最佳学生论文奖）。 我们很高兴也赢得了赛的“最佳大数据解决方案”。 这是每个文件夹的实用程序的简要介绍。 “ / 1下载数据”我们如何将数据从Google Earth Engine下载到Google云端硬盘。 然后，用户需要将数据从Google云端硬盘导出到其本地文件夹（例如集群）。 诀窍在于，我们首先将所有可用年份（例如2003年至2015年）中的所有图像连接在一起，然后立即下载大图像，这可能会快数百倍。 “ / 2干净数据”如何对原始数据进行预处理，包括对巨大图像进行切片以获取单个图像，3-D直方图计算等。 “ / 3模型” CNN / LSTM模型结构，以张量流（v0.9）编写。 用Python编写的高斯过程模型。 “ / 4 model_batch”由于我们每年和每个月都在训练不同的

通过lpc预测来求语音信号的共振峰，An algorithm is presented which finds the frequency and amplitude of the first three formants during all vowel-lie segments of continuous speech.

JMbayes：贝叶斯方法下纵向和生存数据的联合模型 描述 该存储库包含R包JMbayes的源文件。 该软件包适用于使用MCMC的贝叶斯方法下的纵向数据和事件时间数据的联合模型。 这些模型主要适用于两种设置。 首先，当重点放在生存结果上时，我们希望说明误差测量的内源性（又称内部）时间相关协变量的影响。 其次，当重点放在纵向结果上时，我们希望纠正非随机辍学现象。 该软件包包含两个主要的联合模型拟合函数， jointModelBayes()和mvJointModelBayes() ，它们的语法相似，但功能不同。 基本功能jointModelBayes() 它可以拟合单个纵向结果和事件发生时间结果的联合模型。 用户可以使用参数densLong （默认值为正常pdf）为纵向响应指定自己的密度函数。 除其他外，这允许对具有分类和左删截纵向响应的联合模型以及具有Student-t误差项的鲁棒联合

二手车价格预测 描述： 通常，新车的价格由制造商确定，因此可以确保质量。 对于二手车而言，情况并非如此，在这种情况下，客户容易被假冒公司欺骗，并为价值较低的汽车支付更高的价格。 我们的想法是实现不同的机器学习算法，这些算法根据车辆的状况，进入年份，制造商，型号等特征预测价格。它有助于客户了解市场上的买卖价格。

使用长期短期记忆（LSTM）进行风能预测 有关完整的详细信息，请阅读CSE 523项目报告.pdf。 介绍 由于风速/功率具有可再生性和环境友好性，因此在地球上受到越来越多的关注。 随着全球风电装机容量的Swift增加，风电行业正在发展为大型企业。 可靠的短期风速预测在风能转换系统中起着至关重要的作用，例如风轮机的动态控制和电力系统调度。 精确的预测需要克服由于天气条件波动而导致的可变能源生产问题。 风产生的功率高度依赖于风速。 尽管它是高度非线性的，但风速在特定时间段内遵循特定模式。 我们利用这种时间序列模式来获得有用的信息，并将其用于功率预测。 LSTM用于对数据执行不同的实验并得出结论。 结论 我们的目标是改善对使用风能发电的功率的预测，并且已经实现了将LSTM用作机器学习模型并对其进行模型优化。 我们还观察到，如果风速小于4 m / s，则系统生成的功率为零。 LSTM无法学习这