معرفی شرکت ها
MLProto-0.2.0
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
Modular Neural Network Protyping for Stock Market Prediction
| ویژگی | مقدار |
|---|---|
| سیستم عامل | OS Independent |
| نام فایل | MLProto-0.2.0 |
| نام | MLProto |
| نسخه کتابخانه | 0.2.0 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Luke Williams |
| ایمیل نویسنده | williams.luke.2001@gmail.com |
| آدرس صفحه اصلی | https://github.com/CSLukeW/MLProto |
| آدرس اینترنتی | https://pypi.org/project/MLProto/ |
| مجوز | - |
# MLProto: Modular Prototyping Tool for LSTM Machine Learning Models
## Usage
### Video overview coming
### The ProtoMake Script
The ProtoMake script combines the Proto and Data modules into one to create an easy, convenient, and modular neural network prototyping tool for LSTM machine learning models. The script will take the user's desired parameters and create, train, and evaluate a model fitting said parameters. This allows the user to quickly analyze model prototypes, make adjustments, and iterate on model designs.
#### Arguments
Positional:
key ---- User's Alpha_Vantage API key
identifier ---- Ticker symbols to create models for
target ---- Column number of target values
Optional:
-depth ---- number of layers to include in the neural network (def: 1)
-node_counts ---- list of node counts for layers (len(node_counts) must equal depth)
-batch ---- batch size of input data set (def: [100])
-test_size ---- proportion of dataset to use as validation (def: .2)
-loss ---- identifier string of keras-supported loss function to be used in training (def: mse)
-learning_rate ---- learning rate to be used by the Adam optimizer
-epochs ---- maximum number of epochs to train the model (def: 100)
-model_in ---- file path of pre-made model to load
--early_stop ---- flag deciding whether to apply early stopping (patience 5) to the training phase
--plots ---- flag deciding whether to save loss, input, and prediction graphs
--normalize ---- flag deciding whether or not to normalize input data
#### Usage Example
ProtoMake test.csv test_model --early_stop --plots
The above command will create, train, and evaluate a model for the data in test.csv. It saves a model test_model.h5 in directory ./models/ and input, loss, and prediction graphs in the directory ./plots/ for analysis.
### The Proto Module
The Proto module contains the core functionality of the machine-learning portion of the package. It holds all of the model manipulation methods.
``` Python
from MLProto import *
""" Data operations (assign data, pred_data)
______________________________________________
"""
stkr = Proto('test', data)
stkr.train(25, True, True))
stkr.evaluate()
stkr.predict_data(pred_data)
```
The above code will take prepared data, create a Proto instance "test" for the data given, train for 25 epochs, save the model to the models folder as train.h5 and predict data points based on the user's prepared prediction data.
### The Data module
This module includes the data operation helper functions used by MLProto.
single_step_data takes a full dataset and creates a timeseries dataset from it for input into an LSTM model.
## Contributions
Please send pull requests! I am a full-time student, so development and support for MLProto will likely be slow with me working alone. I welcome any and all efforts to contribute!
## License
[GNU LGPLv3](https://choosealicense.com/licenses/lgpl-3.0/)
نیازمندی
| مقدار | نام |
|---|---|
| ==1.4.4 | appdirs |
| ==2.1.8 | audioread |
| ==1.14.0 | cffi |
| ==0.10.0 | cycler |
| ==4.4.2 | decorator |
| ==0.3.1 | distlib |
| ==3.0.12 | filelock |
| ==0.16.0 | joblib |
| ==1.2.0 | kiwisolver |
| ==0.7.2 | librosa |
| ==0.33.0 | llvmlite |
| ==3.2.2 | matplotlib |
| ==0.50.1 | numba |
| ==1.19.0 | numpy |
| ==2.20 | pycparser |
| ==2.4.7 | pyparsing |
| ==2.8.1 | python-dateutil |
| ==0.2.2 | resampy |
| ==0.23.1 | scikit-learn |
| ==1.5.1 | scipy |
| ==1.15.0 | six |
| ==0.10.3.post1 | SoundFile |
| ==2.2.0 | tensorflow-estimator |
| ==1.1.0 | termcolor |
| ==2.1.0 | threadpoolctl |
| ==3.7.4.2 | typing-extensions |
| ==1.25.9 | urllib3 |
| ==20.0.27 | virtualenv |
| ==1.0.1 | werkzeug |
| ==1.12.1 | wrapt |
| ==1.4.2 | yarl |
| ==3.1.0 | zipp |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.6 | Python |
نحوه نصب
نصب پکیج whl MLProto-0.2.0:
pip install MLProto-0.2.0.whl
نصب پکیج tar.gz MLProto-0.2.0:
pip install MLProto-0.2.0.tar.gz