Moozonian
Web Images Developer News Books Maps Shopping Moo-AI
Showing results for 画策
GitHub Repo https://github.com/snowflying/stock-sky

snowflying/stock-sky

股票历史数据采集,存储到csv,MySQL,画K线图和成交量图,根据策略预测涨跌,选股
GitHub Repo https://github.com/chenzhitao/analysis

chenzhitao/analysis

商用产品开源,包括用户埋点数据采集、用户标签分群和画像、智慧运营、营销等。项目采用Nginx+Flume+kafka实现日志收集,Flink进行实时流处理,ClickHouse作为实时数仓,HDFS作为数据备份。 项目帮用户快速搭建CDP客户数据平台,实现对移动端数据分析、用户行为分析、用户标签画像和在线营销。完美兼容神策埋点SDK、友盟埋点SDK和其他终端埋点包。快速对接、快速应用。
GitHub Repo https://github.com/tingtlu/ID3_Algorithm

tingtlu/ID3_Algorithm

ID3_algorithm代码实现,并画出决策树
GitHub Repo https://github.com/young-pastor/Young-Board-Server

young-pastor/Young-Board-Server

快速采集清洗,任务管理,实时流和批处理数据分析,数据可视化展现,快速数据模板开发,ETL工具集、数据科学等。是轻量级的一站式的大数据平台。帮用户快速搭建CDP客户数据平台,实现对移动端数据分析、用户行为分析、用户标签画像和在线营销。完美兼容神策埋点SDK、友盟埋点SDK和其他终端埋点包。快速对接、快速应用。
GitHub Repo https://github.com/Yangami/KNN-for-pattern-recognize-

Yangami/KNN-for-pattern-recognize-

KNN形态识别 股票形态识别(如W双底)用图像识别的方法准确率高但速度慢(因要画图),用K-近邻方法以数值型数据计算快准确率基本符合要求(查准率70%左右),可用于对决策时间有要求的交易。 工作完成情况: 1、W双底识别模型查准确率约70% 2、模型文件上载到聚宽后可在回测中调用。
GitHub Repo https://github.com/ZerirlKeou/quantities-for-binance-futures

ZerirlKeou/quantities-for-binance-futures

binance合约交易量化交易框架 此框架为策略编写框架,带有不同的回测和画图功能。 基于此框架可研发多因子模型和多种机器学习模型。 该框架还实现了多时间级别预测的联立
GitHub Repo https://github.com/Bil369/YiQi-ZombieCompanyClassifier

Bil369/YiQi-ZombieCompanyClassifier

易企|僵尸企业分类系统 2020年第十一届中国大学生服务外包创新创业大赛A09赛题——僵尸企业画像及分类 决策树、随机森林与XGBoost加权投票融合 支持Web端访问 Bootstrap+Django+PyEcharts
GitHub Repo https://github.com/xiaoxiangai/analysis

xiaoxiangai/analysis

小象数据完整产品包括用户行为分析、用户画像、智慧运营,通过采集用户行为数据和第三方数据进行实时处理和分析,实时获取用户操作、产品体验和运营活动的数据反馈。兼容神策SDK,完整产品包括用户行为分析、用户画像、智慧运营,通过采集用户行为数据和第三方数据进行实时处理和分析,实时获取用户操作、产品体验和运营活动的数据反馈。采用flume进行数据采集,采用flink+clickhouse构建PB级别的海量结构化数据存储和实时分析。
GitHub Repo https://github.com/opendilab/CodeMorpheus

opendilab/CodeMorpheus

CodeMorpheus: Generate code self-portraits with one click(一键生成代码自画像,决策型 AI + 生成式 AI)
GitHub Repo https://github.com/ChandlerIdeaCreator/AIC-Webly-supervised-Fine-Grained-Image-Recognition-National-Second-Prize

ChandlerIdeaCreator/AIC-Webly-supervised-Fine-Grained-Image-Recognition-National-Second-Prize

框架核心是两阶段“粗筛-精滤”数据清洗流程。首先,利用CLIP的多门控决策逻辑进行宏观粗筛,精准剔除插画、图表等非摄影类噪声。随后,利用DINOv2的细粒度特征,创新采用“相对边际分数”识别处于类别边界的混淆样本,并结合GMM模型为各类别动态确定清洗标准。整个流程内置最小样本保留机制,以保护长尾分布下的稀有类别。 在清洗后的高纯度数据上,我们采用非对称协同训练策略。通过Swin Transformer与ConvNeXt双网络,利用其结构差异形成互补的错误识别模式,高效实现相互监督与纠错。同时,我们创新地对模型达成共识的样本目标化应用Balanced Softmax Loss,在精准应对长尾分布的同时,避免了放大噪声的影响。