python根据历史数据，预测未来数据

根据文本数据列表，批量生成二维码的Python程序。本示例源文件 PL_XLD_CODE.txt 生成目标文件在同一目录下：

贝叶斯-新闻分类（.ipynb）

利用python实现bp神经网络，采用误差逆传播算法训练模型，并在一个toy set上进行了验证

python实现多种风机数据清洗，绘制功率曲线，包括kmeans，DBSCAN，KernelDensity等方法

阿里强化学习.pdf

爬取百度图片下载到本地（python代码）

一、俄罗斯方块DQN算法实验报告1. 网络结构图1 DQN网络结构2. 超参数 GAMMA = 0.99  # decay rate of past observations 设置增强学习更新公式中的累计折扣因子 OBSERVE = 500.  # timesteps to observe before training 设置观察期的迭代次数 EXPLORE = 500.  # frames over which to anneal epsilon 设置探索期的观察次数 FINAL_EPSILON = 0.002  # final value of epsilon 设置ε的最终最小值 INITIAL_EPSILON = 10.0  # starting value of epsilon 设置ε的初始值 REPLAY_MEMORY = 5900  # number of previous transitions to remember 设置replay memory的容量 BATCH = 32  # size of mini batch 设置每次网络参数更新世用的样本数目 K = 1  # only select an action every Kth frame, repeat prev for others，设置几帧图像进行一次动作， # K越大让控制台输出的速度变慢，游戏画面速度变快，机器人动作的速度变越迟缓。ACTIONS = 6  # number of valid actions 游戏动作数3.实验结果训练前期的self.score分数很低150左右，EPSILON=1.0，Q_MAX= 2.061341e-02：图2 EPSILON=1.0设置超参数EPSILON=0.05在1000步迭代之后：EPSILON固定在0.04999999999999416  Q_MAX = -1.163765e-01Self.score有明显的提升，但是之后无论训练多久都没有明显提升了。图3 EPSILON=0.05设置超参数EPSILON= 0.002在1001步迭代之后：EPSILON固定在0.000004 Q_MAX = 1.728995e 02Self.score可以轻松达到200以上。图4 EPSILON=0.000004设置超参数EPSILON= 0.000001在1001步迭代之后：EPSILON固定在-0.001998997999987482  Q_MAX = 1.899879e 03Self.score可以轻松达到200以上。图5 EPSILON=-0.002 【核心代码】用DQN来玩俄罗斯方块 tetrix_DQN ├── Wrapped Game Code│   └── tetris_fun.py├── deep_q_network.py├── logs_tetris│   ├── hidden.txt│   └── readout.txt└── saved_networks    ├── tetris-dqn-10000.data-00000-of-00001    ├── tetris-dqn-10000.index    ├── tetris-dqn-10000.meta    └── tetris-dqn-316600003 directories, 8 files

textCNN文本分类

双曲嵌入作为一种捕获层次信息的方法被提出，可以将丰富的结构信息与现代机器学习分布式表达中所青睐的连续表示相融合。本实例将ICD编码嵌入双曲空间得到表征。下面是代码结构和结果分析： 1）数据预处理——数值向量化 将文本数据转换成数值向量，使用split函数将原本连接的文本数据分开,每个文本我们都会得到一个列表，构成词典。 2）主要程序代码 从上到下分别是建立整个网络模型的，构建网络参数的，和训练网络模型的。 3）参数的传入   训练的时候，这些参数的设置，batchsize是64，batchsize就是每轮训练的时候传入的是64个样本，dim 10表示维度是10，epoch 100表示训练了100轮，chechpoint-freq 是10 表示每过10个epoch保存一次模型。 4）训练过程 这个是训练过程中每一个epoch的loss值，MAP是评价指标

Transfer Learning.pdf