欢迎使用GitHub 安装 sudo apt-get install python-setuptools python-numpy python-scipy python-matplotlib python-pip -y sudo pip install numpy scipy matplotlib scikit-learn luminol 设置日志 您必须提供日志文件的位置才能运行此程序。 以下是任何Web服务器的日志格式 “％d-％b-％Y％T ::::％a ::::％m ::::％s ::::％B ::::％D ::::％U ::: ：％r“ ％d是日期 ％b是月份 ％Y是年份 ％

AICon 2021全球人工智能与机器学习技术大会PPT汇总，共38份。供大家学习参阅。 2021全球人工智能与机器学习技术大会聚焦AI前沿技术、产业化和商业化的动态，将重点关注人工智能的落地实践，关注人工智能技术领域的行业变革与技术创新，与企业一起探寻AI的边界。 人机结合-产业互联网智能化之路 Bigdata AI统一架构探索与实践 问答系统在全球化过程中的挑战与方法 超大规模多模态预训练模型M6实践 大规模预训练模型高效训练的构架实践 大数据AI检索技术的应用 第四范式 OpenMLDB 的机器学习实时应用最佳实践 对话式AI数据赋能企业数字化转型 多表自动机器学习应用研究 基于 Glancing Transformer 的并行文本生成技术 基于深度学习的个性化推荐系统实时化改造与升级 多模态商品营销文案自动生成实践 决策规划在自动驾驶系统中的挑战与探索 客户微细分：架起结构化数据与深度学习的桥梁 端到端语音识别技术的探索与实践 精排CTR模型实践 联邦学习在金融领域的落地和应用 面向亿级用户的小布助手对话式ai算法系统实践与思考 内容安全中的多模态模型训练实践 如何利用强化学习技术提高游戏可玩性和真实性 视觉智能的平台之路 视频智能算法在泛安防场景下的落地应用 信息流推荐技术实战 图神经网络及其在电商的应用 万亿参数推荐模型预估架构演进之路 业务场景下知识计算的探索和应用 新零售场景下商品知识图谱的构建及应用 语音合成的应用探索 知识驱动机器翻译研究和实践 知识图谱在结构化知识中台的实践应用 智能语音在内容平台上的应用 中文文本自动校对技术的研究与应用 泛舆情域智能监控中台架构解读及实践 自然语言处理技术范式迁徙之路 AI技术在教育智能硬件上的应用实践 AI在短视频创作与理解上的应用 智能营销中的AI一体化大数据平台实践 Nullmax对构建自动驾驶中间件的一些探索

索引 内容 位置 阿布量化系统源代码 abupy目录 阿布量化使用教程 abupy_lecture目录 阿布量化非编程界面操作 abupy_ui目录 《量化交易之路》示例代码 ipython／python目录 《机器学习之路》示例代码 https://github.com/maxmon/abu_ml 特点 使用多种机器学习技术智能优化策略 在实盘中指导策略进行交易，提高策略的实盘效果，战胜市场 支持的投资市场: 美股，A股，港股 期货，期权 比特币，莱特币 工程设计目标： 分离基础策略和策略优化监督模块 提高灵活度和适配性 APP下载 & 网址 谢谢您来使用我们的应用! 电脑浏览器访问网址: https://www.abuquant.com iOS苹果手机AppStore下载链接 android手机下载链接页面 量化技术博客地址 K线课堂地址 量化课堂地址 APP简介 量化系统 阿布量化综合AI大数据系统, K线形态系统, 经典指标系统, 走势趋势分析系统, 时间序列维度系统, 统计概率系统, 传统均线系统对投资品种进行深度量化分析, 彻底跨越用户复杂的代码量化阶段, 更适合普通人群使用, 迈向量化2.0时代. 量化模型 上述系统中结合上百种子量化模型, 如: 金融时间序列损耗模型, 深度形态质量评估模型, 多空形态组合评定模型, 多头形态止损策略模型, 空头形态回补策略模型, 大数据K线形态历史组合拟合模型, 交易持仓心态模型, 多巴胺量化模型, 惯性残存阻力支撑模型, 多空互换报复概率模型, 强弱对抗模型, 趋势角度变化率模型, 联动分析模型, 时间序列的过激反应模型, 迟钝报复反应模型, 趋势启动速度模型, 配对对冲模型等. AI量化 阿布量化针对AI人工智能从底层开发算法, 构建适合量化体系的人工智能AI系统, 训练了数个从不同角度识别量化特征的评分模型，整体上分为三个系别：物理模型组、多巴胺生物模型组、量化形态模型组。不同系别模型群从不同角度(主要物理交易实体分析、人群心理、图表等三个方向)评估走势，系别的模型群是由若干个独有的识别算法和参数遗传淘汰，组成族群，加权投票评分. 量化策略 阿布量化结合了传统基于代码策的量化系统, 对未来择时信号发出时机的预判, 系统基于数百种简单种子交易策略，衍生出更多的量化交易策略新策略在这些种子基础上不断自我学习、自我成长，不断分裂，适者生存，淘汰选择机制下繁衍，目前应用的量化买入卖出信号策略共计18496种。 量化应用 阿布量化结合多种量化分析数据构建了数百种量化应用, 如: AI高能预警, AI高光时刻, 智能预测涨跌幅, 下跌五浪量化, 上涨五浪量化, 阻力支撑强度分析, 上升三角形突破, 下降三角形, 三重底 (头肩底), 三重顶 (头肩顶), 圆弧顶, 圆弧底, 乌云盖顶形态, 上升三部曲形态, 好友反攻形态, 单针探底形态, 射击之星形态, 多方炮形态, 上涨镊子线, 向上突破箱体, 跳空突破缺口, 黄金分割线量化, 趋势跟踪信号, 均值回复信号, 止损风险控制量化, 止盈利润保护量化, 综合指标分析等. 安装 部署 推荐使用Anaconda部署Python环境，详见 量化环境部署 测试 import abupy 界面操作（非编程） 更多界面操作示例 使用文档 1：择时策略的开发 第一节界面操作教程视频播放地址 择时策略决定什么时候买入投资品，回测告诉我们这种策略在历史数据中的模拟收益如何。 买入择时因子的编写 分解模式一步一步对策略进行回测 卖出择时因子的实现 在对的时间，遇见对的人(股票)，是一种幸福 在对的时间，遇见错的人(股票)，是一种悲伤 在错的时间，遇见对的人(股票)，是一声叹息 在错的时间，遇见错的人(股票)，是一种无奈 详细阅读 2: 择时策略的优化 通过止盈止损保护策略产生的利润，控制风险。 基本止盈止损策略 风险控制止损策略 利润保护止盈策略 详细阅读 3: 滑点策略与交易手续费 考虑应用交易策略时产生的成交价格偏差及手续费。 滑点买入卖出价格确定及策略实现 交易手续费的计算以及自定义手续费 type date symbol commission buy 20150423 usTSLA 8.22 buy 20150428 usTSLA 7.53 sell 20150622 usTSLA 8.22 buy 20150624 usTSLA 7.53 sell 20150706 usTSLA 7.53 sell 20150708 usTSLA 7.53 buy 20151230 usTSLA 7.22 sell 20160105 usTSLA 7.22 buy 20160315 usTSLA 5.57 sel

DDoS检测系统 旨在使用机器学习技术和SDN来检测和缓解DDoS攻击的系统。 参考书目 R. Braga，E。Mota和A.Passito，“使用NOX / OpenFlow进行轻量级DDoS泛洪攻击检测”，IEEE本地计算机网络会议，丹佛，CO，2010年，第408-415页。 doi ： PDF ： :

5种用于预测销售的机器学习技术 客观的： 使用回归和时间序列建模技术预测每月产品的销售数量 特色技术： EDA 线性回归 森林随机回归 XGBoost 长短期记忆（人工循环神经网络） ARIMA时间序列预测 结果： 从XGBoost和LSTM模型获得了最佳结果 所有模型的预测均在12个月预测的月平均销售额的2％以内 数据源：

heart_disease_prediction 欢迎来到我的第三个存储库。 这次，我将分享迄今为止最详细的笔记本（用Python 3.6编写），在其中我将对有趣的数据集进行端到端分析。 里面有一些漂亮的情节和描述。 我希望您会喜欢本演练。

乳腺癌主要是在女性中发现的，并且是增加女性死亡率的一个主要原因。 乳腺癌的诊断非常耗时，并且由于系统的可用性较低，因此有必要开发一种可以在早期阶段自动诊断乳腺癌的系统。 各种机器学习和深度学习算法已被用于良性和恶性肿瘤的分类。 已使用威斯康星乳腺癌数据集，其中包含 569 个样本和 30 个特征。 本文重点介绍了在从存储库中提取的数据集上实现的各种模型，例如逻辑回归、支持向量机 (SVM) 和 K 最近邻 (KNN)、多层感知器分类器、人工神经网络 (ANN) 等Kaggle 的。 这些算法中的每一个都已经过测量，并就获得的准确度和精确度进行了比较。 所有技术都用 Python 编码并在 Google Colab 中执行，这是一个科学的 Python 开发环境。 实验表明，SVM 和随机森林分类器最适合预测分析，准确率为 96.5%。 为了提高预测的准确性，已经实施了 CNN 和 ANN 等深度学习算法。 在 ANN 和 CNN 的情况下获得的最大准确率分别为 99.3% 和 97.3%。 Relu 和 sigmoid 等激活函数已被用于根据概率预测结果。

本文探讨了三种用于天气预报的机器学习模型，即支持向量机 (SVM)、人工神经网络 (ANN) 和基于时间序列的循环神经网络 (RNN)。 它还讨论了为取得成果而采取的步骤。 RNN 使用时间序列以及线性 SVC 和五层神经网络来预测天气。 根据预测值和实际值之间的均方根误差对这些模型的结果进行分析和比较。 对于天气预报，本文使用 Pandas、NumPy、Keras、Git、Matplotlib、TensorFlow、Anaconda 和 Google Cloud Services。 发现基于时间序列的 RNN 在预测天气方面做得最好

Python极限学习机（ELM） Python极限学习机（ELM）是一种用于分类/回归任务的机器学习技术。 免费软件：BSD许可证 文档： : 。 特征 ELM内核 ELM随机神经元 ML工具

一个ReactJS网络应用程序，可使用SMT（统计机器翻译）将源代码转换为伪代码 ·。 · 关于该项目 学习的辅助工具，可帮助您使用SMT将源代码可视化为伪代码您可以在此处使用它： 使用指南 转换器页面包含两个编辑器，一个用于编写要转换的源代码，另一个用于在转换后显示伪代码。 您还可以通过先从下拉菜单中选择语言，然后浏览并上传文件来上传要转换的文件。 您选择的文件也将显示在文本编辑器中。 现在，只需单击转换按钮，它将在后台运行基于Docker容器的编译器。 建于 显然很多 :red_heart: 项目架构 backend文件夹包含基于Django API的代码，以将文件上传到projects目录。 code_converter文件夹包含部署在DFINITY上的前端代码。 cpp-pseudogen文件夹包含cpp / c语言的翻译器代码。 frontend文件夹包含整个webapp的UI。