项目一:modeltime — 时间序列预测模型和机器学习框架

时间序列在变化。企业现在每天需要10,000多个时间序列预测。这就是我所说的高性能时间序列预测系统(HPTSF)-准确,稳健和可扩展的预测。高性能预测系统将为公司节省数百万美元。

特点与优势:

  • Modeltime在一个框架中解锁时间序列模型和机器学习。无需在各种框架之间来回切换。modeltime解锁了机器学习和经典时间序列分析。
  • 预测:使用ARIMA,ETS和更多模型
  • 先知:使用Facebook的先知算法
  • 其他五花八门的模型
  • 简化的预测工作流程。Modeltime合并了一个简单的工作流,以使用最佳实践进行预测。

项目地址:

https://github.com/business-science/modeltime

想要逃避总有借口,想要成功总有办法!今天给大家一个超棒的课程福利—— 【特征工程于模型优化特训】课程!8月23日开课,限时1分拼团秒杀!

课程链接https://www.julyedu.com/course/getDetail/379

课程通过两大实战项目学习多种优化方法, 掌握比赛上分利器,且包含共享社群答疑 ➕ 免费CPU云平台等课程配套服务,理论和实践完美结合;从数据采集到数据处理、到特征选择、再到模型调优,带你掌握一套完整的机器学习流程。

课程配备优秀讲师、专业职业规划老师和助教团队跟踪辅导、答疑,班主任督促学习,群内学员一起学习,对抗惰性。

项目二:Open3D-ML — Open3D的扩展,可解决3D机器学习任务

Open3D-ML是Open3D的扩展,用于3D机器学习任务。它建立在Open3D核心库的基础上,并通过用于3D数据处理的机器学习工具进行了扩展。此项目集中于诸如语义点云分段之类的应用程序,并提供了可用于常见任务以及用于训练的管道的预训练模型。

Open3D-ML可与TensorFlow和PyTorch轻松集成到现有项目中,并且还提供独立于ML框架的常规功能,例如数据可视化。

Open3D-ML集成在Open3D v0.11 + python发行版中,并且与以下版本的ML框架兼容。

  • PyTorch 1.6
  • TensorFlow 2.3
  • CUDA 10.1 (On GNU/Linux x86_64, optional)

主要功能:

  • 读取数据集 数据集名称空间包含用于读取常见数据集的类。在这里,我们阅读了SemanticKITTI数据集并将其可视化。

  • 模型,数据集和管道的配置存储在ml3d / config中。用户还可以构造自己的yaml文件来保留其自定义配置的记录。

  • 运行预训练的语义分割模型

    在前面的示例的基础上,我们可以使用经过预训练的语义分割模型实例化管道,然后在数据集的点云上运行它。请参阅模型动物园以获取预训练模型的权重。

  • 训练语义分割模型 与推理类似,管道提供了用于训练数据集上的模型的接口。

  • 使用预定义脚本。

任务与算法:

  • 语义分割任务

对于语义分割的任务,我们在所有类上使用均值交越联合(mIoU)来衡量不同方法的性能。该表显示了细分任务的可用模型和数据集以及相应的分�