XiaoMi-AI文件搜索系统
World File Search SystemPython
BioPyC，一个用于离线脑电图和生理信号分类的开源 Python 工具箱
摘要：近几十年来，脑机接口 (BCI) 的研究变得更加民主，使用基于脑电图 (EEG) 的 BCI 的实验急剧增加。协议设计的多样性和对生理计算日益增长的兴趣要求同时改进 EEG 信号和生物信号（如皮肤电活动 (EDA)、心率 (HR) 或呼吸）的处理和分类。如果一些基于 EEG 的分析工具已经可用于许多在线 BCI 平台（例如 BCI2000 或 OpenViBE），那么在线使用算法之前，执行离线分析以设计、选择、调整、验证和测试算法仍然至关重要。此外，研究和比较这些算法通常需要编程、信号处理和机器学习方面的专业知识，而许多 BCI 研究人员来自其他背景，对这些技能的培训有限或没有培训。最后，现有的 BCI 工具箱专注于 EEG 和其他脑信号，但通常不包括其他生物信号的处理工具。因此，在本文中，我们描述了 BioPyC，这是一个免费、开源且易于使用的 Python 平台，用于离线 EEG 和生物信号处理和分类。基于直观且引导良好的图形界面，四个主要模块允许用户遵循 BCI 过程的标准步骤，而无需任何编程技能：（1）读取不同的神经生理信号数据格式，（2）过滤和表示 EEG 和生物信号，（3）对它们进行分类，以及（4）可视化并对结果进行统计测试。我们在四项研究中说明了 BioPyC 的使用，即根据 EEG 信号对心理任务、认知工作量、情绪和注意力状态进行分类。
pyforestscan：用于计算LIDAR POINT CLOIN DATA
pyforestscan是一个开源python库，旨在根据光检测和范围（LIDAR）点云数据计算森林结构指标。它计算了关键的生态指标，例如树叶高度多样性（FHD），植物面积密度（PAD），冠层高度，植物面积指数（PAI）和数字地形模型（DTMS），有效地处理大型激光雷达数据集，并支持包括输入格式，包括输入格式，包括Entwine Point Tile（ept）形式（ETT）形式（Mannning）和2024.24和202。文件。除了指标计算外，该库还支持Geotiff输出的产生，并与地理空间库（如Point Cloud Data Abstraction库（PDAL）（PDAL））集成（Butler等，2021，2024），使其成为用于森林，碳核算和生态研究的宝贵工具。
纯Python中的轻巧的介质交通模拟器
通常，交通流量模拟器分为两个主要类别：显微镜和宏观。前者专注于详细的单个车辆行为，而后者则侧重于大规模（例如城市规模）交通的集体行为。介观交通模拟器有时分为宏观的交通模拟器是两者的混合物。尽管他们在某种程度上描述了个人车辆行为，但其主要目的是模拟大规模流量的集体行为。中镜模拟器对于建模大规模的交通管理和操作特别有用，例如拥塞定价，乘车共享和自动化的车队管理，这些天数越来越突出。几个显微镜交通模拟器被发表为开源软件，例如Sumo（Lopez等，2018）。据作者所知，介质和宏观模拟器的可用性是有限的。
PyProBE：用于电池实验的 Python 处理
PyBaMM 包含一个可互换模型库，允许用户测试不同的方法。没有用于交换电池数据处理方法的等效方法，导致研究人员的工作重复。因此，需要一个开源数据处理包，研究人员可以在一个框架内开发新的分析工具。PyProBE 的分析模块编写为模块化和直观的，具有一致的数据结构和内置的 Pydantic 数据验证（Colvin 等人，2024 年）。随着新方法的开发，可以添加它们并立即与现有方法进行比较。
Geomstats：机器学习中黎曼几何的 Python 包
我们介绍了 Geomstats，一个用于非线性流形计算和统计的开源 Python 工具箱，例如双曲空间、对称正定矩阵空间、变换李群等等。我们提供面向对象且经过广泛单元测试的实现。除此之外，流形还配备了黎曼度量族，以及相关的指数和对数映射、测地线和并行传输。统计和学习算法提供了在流形上进行估计、聚类和降维的方法。所有相关操作都被矢量化以用于批量计算，并为不同的执行后端提供支持，即 NumPy、PyTorch 和 TensorFlow，从而实现 GPU 加速。本文介绍了该软件包，将其与相关库进行了比较，并提供了相关的代码示例。我们表明，Geomstats 提供了可靠的构建块来促进微分几何和统计学的研究，并使黎曼几何在机器学习应用中的使用更加民主化。源代码可根据 MIT 许可证在 geomstats.ai 上免费获取。
使用 Geomstats 进行 Python 几何学习简介
摘要 — 机器学习社区对微分几何的应用兴趣日益浓厚。然而，由于缺乏参考实现，相关几何计算的采用受到了阻碍。这种实现通常应允许用户：(i) 通过实践方法获得微分几何概念的直觉，而传统教科书通常不提供这种直觉；(ii) 无缝运行几何机器学习算法，而无需深入研究数学细节。为了解决这一问题，我们介绍了开源 Python 包 geomstats，并介绍了依赖于它的微分几何和几何机器学习算法（几何学习）的实践教程。代码和文档：github.com/geomstats/geomstats 和 geomstats.ai。
使用Python -ijrpr
该项目着重于使用Python设计强大的信用卡欺诈检测系统，利用其丰富的数据科学库和框架生态系统。主要的挑战在于解决欺诈数据集固有的极端类不平衡，在该数据集中，合法交易大大超过了欺诈行为（通常不到总数据的1％）。这种不平衡会偏向模型的性能，从而导致较高的假阴性率和传统准确度指标无效。为了克服这一点，探索了诸如综合少数群体过采样技术（SMOTE），类加权和异常检测算法之类的技术，以增强对欺诈模式的模型敏感性。
scene_synthesizer：机器人操纵中的程序场景生成的Python库
仿真是培训深度学习模型的越来越多的数据源。在机器人技术中，模拟已成功地用于学习诸如导航，步行，飞行或操纵之类的行为。模拟中数据生成的价值主要取决于场景布局的多样性和规模。现有数据集（Ehsani等，2021; Garcia-Garcia等，2019; Mo等，2019; Nasiriany等，2024）在这方面受到限制，而纯粹的生成模型仍然缺乏在物理模拟中可以使用的场景（HOLLEIN及2023 al。el。，et e e eT el。 2024）。其他程序管道要么专注于学习视觉模型（Denninger等，2023; Greff等，2022; Raistrick等，2023），要解决特定的用例，例如自主驾驶（Fremont等，2020; Hess等； Hess等，2021），或者很难扩展和自定义的平台（它们是一个特定的平台（它们是一个与众不同的平台（DET）（DEIT）（DEIT）（DEIT）（DEIT）（DEIT）（DETIT）（DETER）（DETER）。 ）。使用scene_synthesizer我们提出
Bart-Survival：Python中的贝叶斯机器学习方法
生存分析是癌症，心血管疾病和传染病等各种领域的公共卫生和临床研究的基石（Altman＆Bland，1998； Bradburn等，2003）。传统的参数和半参数统计方法，例如COX比例危害模型，通常用于生存分析（Cox，1972）。但是，这些方法有几个局限性，尤其是应用于复杂数据时。一个主要问题是需要限制性假设，例如比例危害和预定义的功能形式，在复杂的，现实世界中的医疗保健数据中可能不正确（Harrell，2015； Ishwaran等，2008）。此外，这些方法通常在高维数据集上遇到困难，从而导致过度拟合，多重共线性以及处理复杂的相互作用的问题（Ishwaran等，2008； Joffe等，2013）。