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

Learning Point Processes Using Deep Granger Nets

ویژگی	مقدار
سیستم عامل	-
نام فایل	cynet-2.0.1
نام	cynet
نسخه کتابخانه	2.0.1
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	zed.uchicago.edu
ایمیل نویسنده	ishanu@uchicago.edu
آدرس صفحه اصلی	https://github.com/zeroknowledgediscovery/
آدرس اینترنتی	https://pypi.org/project/cynet/
مجوز	LICENSE.txt

=============== cynet =============== .. figure:: https://img.shields.io/pypi/dm/cynet.svg :alt: cynet PyPI Downloads .. figure:: https://img.shields.io/pypi/v/cynet.svg :alt: cynet version .. image:: http://zed.uchicago.edu/logo/logozed1.png :height: 400px :scale: 50 % :alt: alternate text :align: center .. class:: no-web no-pdf :Info: See <https://arxiv.org/abs/1406.6651> for theoretical background :Author: ZeD@UChicago <zed.uchicago.edu> :Description: Implementation of the Deep Granger net inference algorithm, described in https://arxiv.org/abs/1406.6651, for learning spatio-temporal stochastic processes (*point processes*). **cynet** learns a network of generative local models, without assuming any specific model structure. .. NOTE:: If issues arise with dependencies in python3, be sure that *tkinter* is installed .. code-block:: sudo apt-get install python3-tk **Usage:** .. code-block:: from cynet import cynet from cynet.cynet import uNetworkModels as models from viscynet import viscynet as vcn **cynet module includes:** * cynet * viscynet cynet library classes: ~~~~~~~~~~~~~~~~~~~~~~ * spatioTemporal * uNetworkModels * simulateModels * xgModels Examples of Pipeline: You may find two examples of this pipeline in your enviroment's bin folder after installing the cynet package. There will also be a pdf walking through another extremely detailed example. Produces detailed timeseries predictions using Deep Granger Nets. .. image:: https://zed.uchicago.edu/img/cynetpred.png :align: center :scale: 50 % Description of Pipeline: You may find two examples of this pipeline in your enviroment's bin folder after installing the cynet package. Step 1: Use the spatioTemporal class and its utility functions to fit and manipulate your data into a timeseries grid. The end outputs will be triplets: files that contain the rows (coordinates), the columns (dates), and the timeseries. The splitTS function will help generate rows of the timeseries. Generally, we use this to create timeseries beyond the length of the data in the triplets. We use the triplets to generate predictive models and then split, which have the longer timeseries to evaluate those models. Step 2: Run xGenESeSS on the triplets to generate predictive models. The xgModels class can be used to assist in this step. If running on a cluster, set run local to false and calling xgModels.run() will generate the shell commands to run xGenESeSS in a text file. Otherwise, xgModels will run locally using the binary installed with the package. The end result are predictive models. Note that example 1 starts at this point. Thus there are sample models provided. Step 3: To evaluate the models afterwards, use the run_pipeline utility function. This calls uNetworkModels and simulateModels in parallel to evaluate each model. simulateModels calls the cynet and flexroc binaries. Outputs will be auc, tpr, and fpr statistics. See example 2 for an example of the entire pipeline.

زبان مورد نیاز

مقدار	نام
==3.*	Python

نحوه نصب

نصب پکیج whl cynet-2.0.1:

pip install cynet-2.0.1.whl

نصب پکیج tar.gz cynet-2.0.1:

pip install cynet-2.0.1.tar.gz