معرفی شرکت ها

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 بیشتر

توضیحات

A package to train and predict the end of a process from history logs

ویژگی	مقدار
سیستم عامل	-
نام فایل	cycle-prediction-1.2.1
نام	cycle-prediction
نسخه کتابخانه	1.2.1
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Fadi Baskharon
ایمیل نویسنده	nzfadi@gmail.com
آدرس صفحه اصلی	https://github.com/fazaki/cycle_prediction/tree/master
آدرس اینترنتی	https://pypi.org/project/cycle-prediction/
مجوز	-

[![GitHub Actions](https://img.shields.io/endpoint.svg?url=https%3A%2F%2Factions-badge.atrox.dev%2Fatrox%2Fsync-dotenv%2Fbadge&label=build&logo=none)](https://actions-badge.atrox.dev/atrox/sync-dotenv/goto) # Predicting Remaining Cycle Time from Ongoing Case ![alt text](docs/api/overview.png) Predicting the remaining cycle time of ongoing cases is one important use case of predictive process monitoring. It is machine learning approach based on survival analysis that can learn from complete/ongoing traces. we train a neural network to predict the probability density function of the remaining cycle time of a running case. # Documentation: https://fazaki.github.io/cycle_prediction/ # Getting started: ## A) pip installation #### 1. Cd to home dir cd ~ #### 2. Initialize a virtualenv that uses the Python 3.7 available at home directory virtualenv -p ~/python-3.7/bin/python3 PROJECTNAME #### 3. Activate the virtualenv Windows: source ~/PROJECTNAME/Scripts/activate Linux: source ~/PROJECTNAME/bin/activate #### 4. Install below packages pip install cycle-prediction #### 5. Create a new kernel with the same project name pip install -U pip ipykernel ipython kernel install --user --name=PROJECTNAME #### 6. Use the example notebook ## B) Source code installation: #### 1. Cd to home dir cd ~ #### 2. Initialize a virtualenv that uses the Python 3.7 available at home directory Virtualenv -p ~/python-3.7/bin/python3 PROJECTNAME #### 3. Activate the virtualenv Windows: source ~/PROJECTNAME/Scripts/activate Linux: source ~/PROJECTNAME/bin/activate #### 4. Install ipykernel pip install -U pip ipykernel #### 5. Clone the repo git clone https://github.com/fazaki/time-to-event/tree/master cd time-to-event #### 6. Install required dependencies: pip install -e . #### 7. Use the example notebook # Theory - Paper publication in progress # References - https://arxiv.org/abs/1612.02130 - https://ragulpr.github.io/assets/draft_master_thesis_martinsson_egil_wtte_rnn_2016.pdf - https://verenich.github.io/ProcessSequencePrediction/ - https://github.com/ragulpr/wtte-rnn

نیازمندی

مقدار	نام
==2.0.1	tensorflow
==2.3.1	Keras
==1.0.8	Keras-Applications
==1.1.0	Keras-Preprocessing
>=3.2.1	matplotlib
>=1.18.2	numpy
>=1.0.0	pandas
>=0.22.2.post1	scikit-learn
>=1.3.1	scipy
>=0.10.0	seaborn
>=1.1.1	wtte
==2.6.0	pylint
>=3.2.0	twine
==6.0.1	pytest
==0.1.0	pytest-docs

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl cycle-prediction-1.2.1:

pip install cycle-prediction-1.2.1.whl

نصب پکیج tar.gz cycle-prediction-1.2.1:

pip install cycle-prediction-1.2.1.tar.gz