2月22日打卡学习记录 一开始把Aliyun和Docker账号搞混了，出了很多模型奇妙的bug最后还是好不容易在最后关头跑通了。。太难了我的天。 通过pycharm终端构建图像 将图像推送到我的注册表 成功记录得分：-16 2月26日打卡学习记录 因为数据很多，所以我们使用tsfresh来生成功能，只是一个自动的功能工程，然后套入了模型。 后续思路是使用transformer来进行预测。

随着Web服务的指数级增长，建议使用各种协作QoS预测方法对服务质量（QoS）进行有效评估，并帮助用户选择合适的服务。 考虑到服务调用的复杂时空上下文的影响并在预测过程中利用它们的特征，仍然是一项技术挑战。 为此，我们提出了两个通用的时空上下文感知协作神经模型（STCA-1和STCA-2），通过考虑服务端和用户端的调用时间和多个空间特征来进行QoS预测。 我们提出的模型利用层次神经网络来实现原始特征的嵌入表达，二阶特征的生成，一阶和二阶特征的融合，空间特征之间的交互以及时态特征的逐层化。 特别地，引入注意力机制来自动地将权重分配给空间特征，并实现在特征融合中的判别性应用。。在大规模数据集上的实验证明了该方法的有效性：（1）。预测误差可以显着与基线方法相比尤其如此。在稀疏训练数据的情况下，我们的模型在MAE和NMAE方面的性能提高了约10.9–21.0％，在RMSE方面的性能提高了2.4–7.8％。 （2）注意机制使我们能够更合理地对特征融合的有效性做出直观的解释，从而增强了预测模型的可解释性。

link_prediction

合作者_link_prediction_V1 这是一个python代码，用于在两个公共可用的cauthorship网络数据集中实施链接预测： 1-ArnetMiner 2dblp 每个cauthorship网络均以图表形式显示。 该图是使用R代码运行network_graph_similarity.R脚本生成的，该脚本还会在网络中的每个两个顶点/节点之间生成一些相似性特征。 除了从作者网络中提取的其他功能以外，这些功能还用于训练进行链接预测的机器学习分类器。 有关此链接预测方法和使用此代码的更多信息，请引用以下文章： 多阿·哈桑（Doaa Hassan）。 “基于研究绩效以及研究兴趣和隶属关系的相似性的共同作者网络中的监督链接预测”。 在国际机器学习与控制论会议论文集（ICMLC 2019）中，日本神户，2019年7月。

道路交通matlab代码自动驾驶车辆的交互感知概率框架，用于预测交通参与者的行为和驾驶策略 这项工作为自动驾驶汽车的交互感知行为预测框架提供了概念证明，该框架不仅可以预测交通参与者的行为，而且可以对可以与之相关的驾驶策略进行分类。 这项工作是随后的博士学位论文的一部分。 标题：实现长期预测的交通参与者行为表征的概率框架 摘要：这项研究旨在开发预测人类交通参与者行为的新方法，从而在复杂的交通环境中实现自动驾驶汽车的安全运行。 至少在接下来的几十年中，自动驾驶汽车有望在交通中由人类驾驶的传统汽车中运行。 为了安全导航，他们将需要使用外部可观察的信息来推断交通参与者的意图和行为。 这样做有助于在一段足够长的时间范围内预测其轨迹，以分析即将发生的风险并优雅地避免任何风险情况。 这项工作通过认识到人类驾驶员执行的任何操纵都可以分为四个阶段来完成上述挑战，这些阶段取决于周围的环境：意图确定，操纵准备，差距接受和操纵执行。 它基于以下假设：对于给定的驾驶员，行为不仅跨越这四个操纵阶段，而且跨越多个操纵。 结果，在任何这些阶段中识别驾驶员的行为可以帮助表征驾驶员可能执行的所有后续操作的性质，从而在更长

手机价格预测 使用的数据集： ： 数据集的简短描述： 功能名称 功能说明 类型 ID ID 数字 电池电量 电池可存储的总能量（以mAh为单位） 数字 蓝色的 有没有蓝牙 布尔型 时钟速度 微处理器执行指令的速度 数字 双SIM卡 是否支持双卡 布尔型 fc 前置摄像头百万像素 数字 four_g 是否有4G 布尔型 int_memory 内部存储器（以千兆字节为单位） 数字 m_dep 移动深度（厘米） 数字 mobile_wt 手机重量 数字 n_cores 处理器核心数 数字 个人电脑 主相机百万像素 数字 px_height 像素分辨率高度 数字 px_width 像素分辨率宽度 数字 内存 随机存取内存（以兆字节为单位） 数字 sc_h 手机屏幕高度（厘米） 数字 sc_w 手机屏幕宽度，以厘米为单位 数字 谈话时间 通话将持续最长的电池

飞行延迟预测 介绍 延误是任何运输系统中最令人难忘的性能指标之一。 值得注意的是，民航业者将延误理解为航班延误或推迟的时间。 因此，延迟可以由飞机的起飞或到达的预定时间与实际时间之间的差异来表示。 国家监管机构有许多与航班延误的容忍阈值有关的指标。 实际上，航班延误是航空运输系统中必不可少的主题。 2013年，欧洲有36％的航班延误了超过5分钟，而美国有31.1％的航班延误了超过15分钟。 这表明该指标的相关性如何，以及无论航空公司网格的规模如何对其产生影响。 为了更好地了解整个飞行生态系统，每时每刻都会收集来自商业航空的大量数据并将其存储在数据库中。 淹没在传感器和物联网产生的大量数据中，分析人员和数据科学家正在增强其计算和数据管理技能，以从每个数据中提取有用的信息。 在这种情况下，理解领域，管理数据和应用模型的过程被称为数据科学，这是解决与大数据有关的挑战性问题的趋势。 在此项目中，我

薪资预测 使用线性回归的机器学习模型，可以通过输入经验年限来预测薪水。 当前使用Heroku进行部署。 这是已部署模型的链接： :

stock-movement-prediction

健康保险交叉销售预测 目标 -我们的客户是一家保险公司，该公司已向其客户提供了健康保险，现在他们需要您的帮助来建立模型来预测过去一年的保单持有人（客户）是否也会对该公司提供的车辆保险感兴趣。 -建立模型来预测客户是否会对车辆保险感兴趣，这对公司非常有帮助，因为它可以相应地计划其沟通策略，以覆盖这些客户并优化其业务模型和收入。 -为了预测客户是否会对车辆保险感兴趣，我们提供了有关人口统计信息（性别，年龄，区域代码类型），车辆（车辆年龄，损坏），保单（保费，货源渠道）等信息。 -我们需要建立一个模型来确定购买车辆保险的正确客户群。 数据集 最终交付成果 -分析师输入客户详细信息的网页-结果：最终建议是否针对此客户进行广告系列。