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...

transform 只用于验证，不影响真实值。 你这种情况可以考虑 getValueFromEvent-parameters)

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。

来自香港科技大学（广州）、约翰霍普金斯大学等机构的学者联合提出了提出医学世界模型（Medical World Model, MeWM），赋予了AI“预演”疾病发展的能力。

使产品测试更安全、更容易，Uber 建立了一个仿真平台，用来仿真司机和骑手在真实世界中的场景。利用一个基于离散事件的模拟器，该平台允许工程师和数据科学家快速地构建原型，并且在无风险环境下，测试新的特征和猜想。

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...

在数据驱动决策的时代浪潮下，如何从海量时序数据中挖掘价值、构建高可靠性预测模型，成为数据科学家们亟待攻克的核心命题。我们在过往服务客户的咨询项目中，深度聚焦于风电健康诊断与金融市场预测两大领域，通过将深度学习与传统机器学习算法创新性融合，成功搭建了兼具理论深度与实践价值的解决方案。

AltCLIP 提出了一种概念上简单有效的方法，以训练强大的双语或多语多模态表征模型。 以 OpenAI 发布的预训练多模态表示模型 CLIP 为基础，AltCLIP 另外采用了预训练的多语言文本编码器 XLM-R，并通过一个由教师学习和对比学习组成的两阶段训练模式来调整语言和图像表示。 实验结果表明，AltCLIP 在各种公开的图像数据集...

加速非线性迭代收敛替代传统松弛方法：使用ML模型（如神经网络）动态预测最优松弛因子或时间步长。例如，训练LSTM网络根据残差历史动态调整SIMPLE算法的松弛因子，避免手动调参。非线性方程组求解器增强：用GNN（图神经网络）或强化学习优化代数多重网格（AMG）的插值算子或粗网格策略，减少线性迭代次数。

原文链接：[链接]本案例研究说明了卡尔曼滤波器的设计和仿真。考虑稳态和时变卡尔曼滤波器。植物动力学考虑一个在输入u[n]上有加性高斯噪声w[n]的离散植物。此外，让 yv[n] 是输出 y[n] 的噪声测量，其中 v[n] 表示测量噪声：离散卡尔曼滤波器该问题的稳态卡尔曼滤波器方程如下。测量更新：时间更新：在这些方程中：ˆx[n...

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。

传统时间序列模型允许包含过去观察到的系列信息，但不允许客户包含其他可能相关的信息。例如，假期的影响、竞争对手的活动、法律变化、整体经济或其他外部变量可能解释了某些历史变动，并且可能导致更准确的预测。另一方面，回归模型允许客户从预测变量中包含大量相关信息，但不允许处理ARIMA模型中可以处理的细微时间序...

将COVID-19的传播与图神经网络（GNN）的结合，使得最近几项研究发现了可以更好地预测大流行的方式。许多这样的模型还包括长短期记忆（LSTM），这是时间序列预测的常见工具。通过在LSTM的门内实施GNN并利用空间信息来进一步研究这两种方法的集成。并且引入了跳过连接，该连接对于共同捕获数据中的空间和时间模式也被证明...