对抗训练

本项目提供了论文“通过对抗训练增强股票走势的预测”（IJCAI 2019）中提出的 Adv-ALSTM 模型的实现代码。该代码基于 Python 3.6.1、TensorFlow 1.8.0 和 Numpy 1.14.5 开发。 如需在 ACL18 和 KDD17 数据集上运行 Adv-ALSTM、ALSTM 和 LSTM 模型，请执行超参数文件中提供的命令。 使用本代码时，请引用以下论文： @article{feng2019enhancing,title={Enhancing Stock Movement Prediction with Adversarial Training},author={Feng, Fuli and Chen, Huimin and He, Xiangnan and Ding, Ji and Sun, Maosong and Chua, Tat-Seng},journal={IJCAI},year={2019}}

本讲座探讨了在禽流感疫情中, 板蓝根的需求与大数据之间的关联。通过分析海量数据, 可以观察到禽流感爆发期间板蓝根销量激增的现象。大数据技术能够帮助我们深入理解公众对疾病的认知和行为模式, 为疫情防控提供科学依据。

训练包，包含有用的训练资料。

利用卡方检验，再次筛选特征词，降低维度至 1000 维。 采用 K 折交叉验证评估分类器性能。StratifiedKFold 用于将数据集分成 n_folds 份，分别进行验证和训练，并计算平均分类准确率作为性能指标。

PyTorch 平台上的深度学习模型，用于图像超分辨率：FSRCNN 包含网络模型、训练代码、测试代码、评估代码和预训练权重 评估代码可计算 RGB 和 YCrCb 空间下的 PSNR 和 SSIM

提供适用于FastText文本分类训练的高质量数据集。

Matlab开发的多目标电子对抗算法解决多目标优化问题，特别是在水循环算法方面。该算法通过电子对抗技术，在多个目标之间实现平衡与优化。

Oracle基础训练，涵盖最基础的要点，掌握后即可入门。

级联训练器是一个交互式应用程序，管理图像列表中矩形ROI的选择和定位，用于设定训练算法的基础标签，并创建全新的级联分类器。该工具支持添加、删除、旋转、排序图像，以及粘贴ROI到一系列图像中的新功能。用户可以通过键盘快捷键简化操作，方便训练检测器和多ROI的选择与管理。

在当时的培训过程中，老师每天为我们安排了一些练习，效果非常显著。