Copula可以完全表征多个变量的依赖性。本文的目的是提供一种贝叶斯非参数方法来估计一个copula，我们通过混合一类参数copula来做到这一点。特别地，我们表明任何双变量copula密度可以通过高斯copula密度函数的无限混合任意精确地近似。该模型可以通过马尔可夫链蒙特卡罗方法估计，并且该模型在模拟和实际数据集上进行演示。

回归模型的性能的评价指标主要有：RMSE(平方根误差)、MAE（平均绝对误差）、MSE(平均平方误差)、R2_score。但是当量纲不同时，RMSE、MAE、MSE难以衡量模型效果好坏。这就需要用到R2_score，实际使用时，会遇到许多问题，今天我们深度研究一下。

我国以前一直以来都是世界上大豆生产的第一大国。但由于各国的日益强大，导致我国豆种植面积和产量持续缩减。因此，预测我国的大豆产量对中国未来的经济发展有着极其重要的作用。

近日，由香港中文大学、上海人工智能实验室及南洋理工大学的研究团队联合研发的论文《Neural LightRig: Unlocking Accurate Object Normal and Material Estimation with Multi-Light Diffusion》。

<meta name="referrer" content="no-referrer" />

开源的MLLMs和扩散模型已经过大规模预训练，其从零开始训练统一任务，不如取长补短，将MLLMs的语言建模能力，与扩散模型的像素级图像建模能力，进行有机的结合。

股票市场的波动起伏一直备受投资者关注，准确预测股票价格对于投资者制定合理的投资策略至关重要。股票价格数据具有时间序列特性，近年来，随着机器学习和深度学习技术的发展，各种模型被应用于股票价格预测。长短期记忆（LSTM）模型凭借其记忆功能在剖析时间序列数据关系方面展现出优势，ARIMA 模型在时间序列分析中也...

在当今数据驱动的时代，数据科学家面临着处理各种复杂数据和构建有效模型的挑战。本专题合集聚焦于有序分类变量处理、截断与删失数据回归分析以及强化学习模型拟合等多个重要且具有挑战性的数据分析场景，旨在为数据科学家提供全面且深入的解决方案。

LSTM（或长短期记忆人工神经网络）允许分析具有长期依赖性的有序数据。当涉及到这项任务时，传统的神经网络体现出不足，在这方面，LSTM将用于预测这种情况下的电力消耗模式。

LSTM（或长短期记忆人工神经网络）允许分析具有长期依赖性的有序数据。当涉及到这项任务时，传统的神经网络体现出不足，在这方面，LSTM将用于预测这种情况下的电力消耗模式。

每年的降雨量数据可能是相当不稳定的。与温度不同，温度通常在四季中表现出明显的趋势，而雨量作为一个时间序列可能是相当不稳定的。夏季的降雨量与冬季的降雨量一样多是很常见的。

本文以上证综指近 22 年的日交易数据为样本，构建深度门控循环神经网络模型，从股价预测和制定交易策略两方面入手，量化循环神经网络在股票预测以及交易策略中的效果，结合一个Python深度学习股价预测、量化交易策略：LSTM神经网络的代码和数据，为构建神经网络股票预测以及量化交易模型提供参考信息。

本项目来源于飞桨AI for Science共创计划的论文复现赛题，复现论文为《AMGNET: multi-scale graph neural networks for flow field prediction》。该论文主要采用图神经网络，因为在计算流体力学中计算域被网格离散化，这与图结构天然契合。论文中通过训练 CFD 仿真数据，构建一种数据驱动模型进行流场预测。本文将与大...

内容一览：20 世纪以来，干细胞与再生医学技术一直是国际生物医学领域的热点前沿之一。现如今，研究人员已开始探索将干细胞转变为特定类型细胞。然而，这一过程中干细胞会出现不规则生长或自发分化为不同类型细胞的情况，因此，如何控制干细胞的生长和分化成为研究人员面临的挑战之一。本文中，北京大学赵扬课题组等研究...

GBDT（Gradient Boosting Decision Tree），全名叫梯度提升决策树，是一种迭代的决策树算法，又叫 MART（Multiple Additive Regression Tree），它通过构造一组弱的学习器（树），并把多颗决策树的结果累加起来作为最终的预测输出。该算法将决策树与集成思想进行了有效的结合。

这般丝滑的美食展示，是否让跟随镜头移动的你食指大动？再看这放大镜里流畅变化的弹簧，你敢相信，这完全是用静态图像合成的吗？没错，这样的动图并非截自视频，而是来自AI的合成大法。甚至只需手机随手拍摄的十几张2D照片，就能实时渲染生成。比起大名鼎鼎的谷歌前辈NeRF，这只名为NeX的AI，能直接把每秒渲染帧数从0.02...

本文比较了几个时间序列模型，以预测SP500指数的每日实际波动率。基准是SPX日收益序列的ARMA-EGARCH模型。将其与GARCH模型进行比较  。最后，提出了集合预测算法。