Advertisement

PM4Py-Core: PM4Py项目的核心公共存储库（用Python进行流程挖掘）

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
PM4Py-Core是PM4Py项目的基石，提供了一系列用于流程挖掘的基本模块和算法，完全采用Python语言开发。 下午4点PM4Py是一个Python库，支持最新的进程挖掘算法。它是完全开源的，并且适用于学术界和工业项目。PM4Py是由弗劳恩霍夫应用信息技术研究所开发的产品。 一个非常简单的例子可以激发您的兴趣： ```python import pm4py log = pm4py.read_xes() process_model, initial_marking, final_marking = pm4py.discover_petri_net_inductive(log) pm4py.view_petri_net(process_model, initial_marking, final_marking, format=svg) ``` 以上代码展示了如何使用PM4Py读取XES日志文件，发现一个归纳性Petri网模型，并以SVG格式可视化该模型。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • PM4Py-Core: PM4Py项目的核心公共存储库（用Python进行流程挖掘）
    优质
    PM4Py-Core是PM4Py项目的基石，提供了一系列用于流程挖掘的基本模块和算法，完全采用Python语言开发。 下午4点PM4Py是一个Python库，支持最新的进程挖掘算法。它是完全开源的，并且适用于学术界和工业项目。PM4Py是由弗劳恩霍夫应用信息技术研究所开发的产品。 一个非常简单的例子可以激发您的兴趣： ```python import pm4py log = pm4py.read_xes() process_model, initial_marking, final_marking = pm4py.discover_petri_net_inductive(log) pm4py.view_petri_net(process_model, initial_marking, final_marking, format=svg) ``` 以上代码展示了如何使用PM4Py读取XES日志文件，发现一个归纳性Petri网模型，并以SVG格式可视化该模型。
  • Python数据挖掘——Kaggle共享单车项目实践
    优质
    本书通过实际案例讲解如何运用Python进行数据挖掘与分析，以Kaggle共享单车预测竞赛为背景，详细介绍了模型构建、特征工程及算法优化等关键环节。 岭回归（英文名：ridge regression, Tikhonov regularization）是一种专门用于处理共线性数据的有偏估计回归方法。它本质上是对最小二乘法的一种改进版本，在牺牲无偏性的基础上通过引入偏差来换取更可靠和实际适用的模型参数，尤其在面对病态数据时比普通最小二乘法具有更强的数据拟合能力。
  • Python源码的数据挖掘项目
    优质
    本数据挖掘项目基于Python源代码，运用数据分析和机器学习技术，旨在从大量代码中提取有价值的信息与模式。 数据挖掘项目：Python 本项目旨在利用Python进行数据分析与处理，涵盖从数据收集、清洗到模型建立的全过程。我们将使用多种库如Pandas, NumPy以及Scikit-learn等来实现高效的数据操作及机器学习算法的应用。通过该项目的学习和实践，参与者能够掌握如何运用编程技术解决实际问题，并获得宝贵的经验。 项目内容包括但不限于： 1. 数据预处理：数据清洗、特征选择与工程。 2. 探索性数据分析（EDA）：使用可视化工具如Matplotlib, Seaborn等进行探索分析，理解数据背后的故事。 3. 建立预测模型：应用监督学习算法解决分类和回归问题；评估不同模型的性能并优化参数以提高准确率。 该项目适合对Python编程有一定基础且希望深入研究数据分析领域的初学者或中级开发者。参与者将有机会与其他同行交流想法、分享成果，共同进步成长。
  • Python数据挖掘项目：运用机器学习进行实战，参考书籍为《Python数据分析与挖掘实战》
    优质
    本项目基于《Python数据分析与挖掘实战》一书，旨在通过实践案例教授读者如何利用Python和机器学习技术开展数据挖掘工作。 这是一个利用机器学习进行数据挖掘的小项目，参考书为《Python数据分析与挖掘实战》。项目的初衷是提升自己的技能水平，并熟悉GitHub平台的使用。这本书非常适合有一定机器学习理论基础的人尝试实践数据挖掘工作，但书中代码存在一些BUG以及由于时间推移导致某些版本库变化而产生的语法错误。因此，在实现代码的过程中产生了重新编写一遍的想法，并且增加了一些注释以便初学者参考。 对于刚入门的学习者来说，手动重写一遍书中的代码有助于加深对机器学习及matplotlib、numpy、pandas、scikit-learn和keras的理解。项目所需的基础理论包括Python基础、机器学习基本概念以及少量的matplotlib、numpy、pandas、scikit-learn和keras的知识。 项目的代码除了第十二章以外都已经过检验，整个环境配置截止到2018年7月23日。
  • Text_Mining_Python：使用Python进行文本挖掘的教程及源码
    优质
    《Text Mining Python》是一本详尽介绍如何利用Python开展文本挖掘的教程书籍，书中不仅提供了丰富的理论知识讲解，还附有大量实用的代码实例，帮助读者快速掌握相关技术。 Python文本挖掘简介。有关用法的详细信息和其他说明性内容，请参见相关文档或资源。对于DHRI @ SMU 2020，请按照以下步骤准备会议：在相应的系统上安装Docker。Linux用户请联系教师或遵循相应指南进行操作。确保您可以顺利完成这些步骤。
  • FPGrowth-Python：利用Python进行FPGrowth关联规则挖掘
    优质
    FPGrowth-Python项目旨在通过Python实现高效的频繁模式增长算法(FPGrowth)，用于数据集中频繁项集和关联规则的高效挖掘，助力数据分析与机器学习应用。 FPGrowth-python实现 此实现基于特定框架。 输入文件格式： python脚本接受以下格式的输入文件： f,c,a,m,p f,c,b 或者 f c a m p f c a 如何使用： 首先使main.py可执行。 chmod +x main.py 运行FP-Growth算法: .main input_file minsup minconf 输出： 该程序首先打印频繁模式： { 频繁项集 } (支持度) 例如。 { a } ( 3 ) { a c } ( 3 ) { a c f } ( 3 ) { a f } ( 3 ) 之后它会打印规则。
  • .NET Core EF Core 调用存储过程的方法
    优质
    本文介绍了如何在基于 .NET Core 和 Entity Framework Core 的应用程序中调用和执行数据库存储过程的具体方法与步骤。 本段落主要介绍了关于. NET Core EF Core 调用存储过程的相关资料，并通过示例代码进行了详细的讲解。对于学习或使用 .NET Core EF Core 的读者来说具有一定的参考价值，希望对大家有所帮助。
  • 数据挖掘课程设计项目
    优质
    本项目为数据挖掘课程中的实践任务，旨在通过分析真实世界的数据集，学习并应用数据预处理、特征选择及机器学习算法等关键技术。参与者将掌握从问题定义到结果解释的全过程，培养解决实际问题的能力和团队协作精神。 计算机科学技术数据挖掘期末作业！