nphilou

nphilou

{ lib
, buildPythonPackage
, fetchPypi
, isPy3k
, tornado
, azure-common
, azure-storage-common
, google_cloud_storage
, kubernetes
, numpy

nphilou

from gtime import *
from gtime.feature_extraction import *
import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression

# Create random DataFrame with DatetimeIndex
X_dt = pd.DataFrame(np.random.randint(4, size=(20)),
                    index=pd.date_range("2019-12-20", "2020-01-08"),
                    columns=['time_series'])

nphilou

import numpy as np
from giotto.time_series import TakensEmbedding

if __name__ == '__main__':
    max_dim = 4
    embedding_time_delay = 2

    print('fixed param')

    x = np.array([2, 1, 1, 1, 1, 1, 1, 1, 1, 1])

nphilou

Catégorisation de textes

1

L'algorithme EM est un algorithme itératif d'estimation paramétrique, les deux étapes principales sont l'estimation (étape E) de données inconnues à partir de lois de probabilités connues et paramètres calculés à l'étape M précédente. L'étape M consiste à modifier les paramètres suivant les données générées afin de maximiser la vraisemblance.

nphilou

import itertools
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
import pylab
from scipy import linalg
from sklearn.cluster import KMeans
from sklearn.datasets import fetch_20newsgroups
from sklearn.decomposition import TruncatedSVD
from sklearn.feature_extraction.text import TfidfVectorizer

nphilou

#include "memory.h"

State ldb(Machine *m, unsigned char dst, unsigned char src1, bool imm, short int src2) {
    short int a = m->regs[src1];
    short int b = imm ? src2 : m->regs[src2];
    m->regs[dst] = m->mem[a + b];
    return EXEC_CONTINUE;
}

State ldw(Machine *m, unsigned char dst, unsigned char src1, bool imm, short int src2) {

nphilou

        Console console = System.console();
        String enteredPassword = new String(console.readPassword("Veuillez entrer votre mot de passe: "));