cy.lu - The Pearl (Page 9)

The Pearl

Sign in Subscribe

cy.lu

Random_Forest(dft.1)_TAIEX_POC_0628

Random_Forest(dft.1)_TAIEX_POC_0628

OLS Regression import yfinance as yf import pandas as pd import numpy as np import statsmodels.api as sm # 定義股票代碼和大盤指數 tickers = ["2330.TW", "2454.TW", "2317.TW", "2412.TW", "1303.TW", "2882.TW", "3008.TW", "

Random_Forest_(dft.0).TAIEX.POC.0628

Random_Forest_(dft.0).TAIEX.POC.0628

from google.colab import drive drive.mount('/content/drive') !pip install yfinance scikit-learn matplotlib import yfinance as yf import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.preprocessing import MinMaxScaler from sklearn.ensemble import RandomForestRegressor import matplotlib.dates as mdates # 定義股票代碼和大盤指數 tickers

ARIMA.TAIEX.POC.0628

ARIMA.TAIEX.POC.0628

Simple ARIMA Model import pandas as pd import numpy as np import matplotlib.pyplot as plt import yfinance as yf from sklearn.preprocessing import MinMaxScaler from statsmodels.tsa.arima.model import ARIMA import datetime from google.colab import drive # 授權 Google Drive drive.mount('/content/drive') # 下載資料的函數 def

Linear Regress.TAIEX_POC.0628

Linear Regress.TAIEX_POC.0628

1'st: 2024-06-28 最簡單的模型 import pandas as pd import numpy as np import matplotlib.pyplot as plt import yfinance as yf from sklearn.linear_model import LinearRegression from sklearn.preprocessing import MinMaxScaler from google.colab import drive import datetime # 授權 Google Drive drive.mount('/content/drive') # 定義下載資料的函數

Random_Forest_TAIEX_POC_0628

Random_Forest_TAIEX_POC_0628

dataset: MSCI top 30 from google.colab import drive drive.mount('/content/drive') !pip install yfinance scikit-learn matplotlib import yfinance as yf import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.preprocessing import MinMaxScaler from sklearn.ensemble import RandomForestRegressor import matplotlib.dates

LSTM.TAIEX.POC.0628.

LSTM.TAIEX.POC.0628.

dataset: MSCI top 30 company from google.colab import drive drive.mount('/content/drive') !pip install yfinance scikit-learn matplotlib tensorflow import yfinance as yf import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.preprocessing import MinMaxScaler from tensorflow.keras.models import Sequential

LSTM_TAIEX_0628

LSTM_TAIEX_0628

training 能力不好,要再調特徵變數（Features）特徵變數是用來預測目標變數的獨立變數。在這個例子中，特徵變數包括以下幾個部分： 1. Open: 當日的開盤價。 2. High: 當日的最高價。 3. Low: 當日的最低價。 4. Close: 當日的收盤價。 5. Adj Close: 經過調整的收盤價，考慮了股息和拆股等因素。 6. Volume: 當日的交易量。 7. Daily Change: 當日收盤價的日變動率，計算公式為 (當日收盤價 - 前一日收盤價) / 前一日收盤價。 8. Beta_60: 過去60天的Beta值，用於衡量股票相對於大盤的波動性。 9. Beta_120: 過去120天的Beta值，用於衡量股票相對於大盤的波動性。目標變數（Target）目標變數是我們想要預測的變數。

Exploring the Kuznets Curve of Alzheimer's Disease (Draft.0624)

Exploring the Kuznets Curve of Alzheimer's Disease (Draft.0624)

update: 2024-06-24 ABSTRACT This study explores the relationship between economic development and Alzheimer's disease prevalence, conceptualized as the 'Kuznets Curve of Alzheimer's Disease'. Using data from 1990 to 2018 across 183 countries, we analyze the correlation between GDP per capita and Alzheimer's

LSTM.2542.POC.0619

LSTM.2542.POC.0619

!pip install yfinance import yfinance as yf # 下載0050過去5年的股價數據 ticker = '0050.TW' stock_data = yf.download(ticker, period='5y') stock_data.reset_index(inplace=True) stock_data.to_csv('0050_stock_data.csv', index=False) import pandas as pd import numpy as np import matplotlib.

Exploring the Kuznets Curve of Alzheimer's Disease (Draft.0621)

Paid-members only

Exploring the Kuznets Curve of Alzheimer's Disease (Draft.0621)

xtsemi.log_az_N. + ln_az_N 0627

xtsemi.log_az_N. + ln_az_N 0627

update: 2024-06-19 semipar xi:semipar az100k pop_65y_pct primaryedu_year hyperten_100k depress100k nonhdl_mgd i.year,nonpar(gdppp2017) ci i.year _Iyear_1990-2018 (naturally coded; _Iyear_1990 omitted) xtseimpar log_az N generate logaz=log(az100k) generate lnaz=ln(az100k) generate log_gdp=log(gdppp2017) generate log_pop65=

semipar az

updated: 2024-06-19 xi:semipar az100k pop_65y_pct primaryedu_year hyperten_100k depress100k nonhdl_mgdl pvr_bmi30 i.year,nonpar(gdppp2017) ci

阿娘

0:00/190.9441× 阿娘戰火紛飛的童年寂靜港灣一樣閃耀的星光點點妳的愛像是湛藍料羅岸我們感受無盡的溫暖阿娘妳是我心中的光無論多遠妳的愛在身旁妳用雙手撐起了希望讓我飛翔，勇敢無懼地闖清晨五點妳悄然起床為我準備每一頓早餐那荷包蛋和炸排骨香是我們記憶中最美麗的一章阿娘妳是我們心中的光無論多遠妳的愛在身旁妳用雙手撐起了希望讓我飛翔勇敢無懼地闖妳的愛像陽光灑滿心田溫暖著我每一天在挫折中跌倒妳的笑容是我前行的力量阿娘妳是我心中的光無論多遠妳的愛在身旁妳用雙手撐起了希望讓我飛翔勇敢無懼地闖阿娘妳是永恆的光芒在我的生命中閃耀妳的愛將我照亮我知道妳一直在我身旁

2303.LSTM.1'st.practice

2303.LSTM.1'st.practice

!pip install yfinance import yfinance as yf # 下載2303過去5年的股價數據 ticker = '2303.TW' stock_data = yf.download(ticker, period='5y') stock_data.reset_index(inplace=True) stock_data.to_csv('2303_stock_data.csv', index=False) # 預處理 import pandas as pd import numpy as np import

0050.XGB.2nd.practice

0050.XGB.2nd.practice

2024-06-19 # 安裝必要的庫 XGB !pip install yfinance xgboost import pandas as pd import numpy as np import matplotlib.pyplot as plt import yfinance as yf from sklearn.preprocessing import MinMaxScaler from sklearn.metrics import mean_squared_error import xgboost as xgb import math # 下載0050過去5年的股價數據 ticker = '0050.TW' stock_data

0050.XGB.180D. 1'st.practice

0050.XGB.180D. 1'st.practice

2024-06-19 !pip install yfinance import yfinance as yf # 下載0050過去5年的股價數據 ticker = '0050.TW' stock_data = yf.download(ticker, period='5y') stock_data.reset_index(inplace=True) stock_data.to_csv('0050_stock_data.csv', index=False) import pandas as pd import numpy as np import

2303.transformer180D

2303.transformer180D

2024-06-19 import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.preprocessing import MinMaxScaler import math from sklearn.metrics import mean_squared_error import tensorflow as tf from tensorflow.keras.models import Model from tensorflow.keras.layers import Input, Dense, Flatten, LayerNormalization, MultiHeadAttention, Dropout # Load

2303_XGB_Predict180D

2303_XGB_Predict180D

update by 6/19 # 安裝必要的庫 !pip install yfinance xgboost import pandas as pd import numpy as np import matplotlib.pyplot as plt import yfinance as yf from sklearn.preprocessing import MinMaxScaler from sklearn.metrics import mean_squared_error import xgboost as xgb import math # 下載2303過去5年的股價數據 ticker = '2303.TW'

2303 LSTM.Predict,180D

2303 LSTM.Predict,180D

6/19 update !pip install yfinance import yfinance as yf # 下載2303過去5年的股價數據 ticker = '2303.TW' stock_data = yf.download(ticker, period='5y') stock_data.reset_index(inplace=True) stock_data.to_csv('2303_stock_data.csv', index=False) # 預處理 import pandas as pd import numpy

Predict Stock Price using Trandformer. 3231-180D

Predict Stock Price using Trandformer. 3231-180D

import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.preprocessing import MinMaxScaler import math from sklearn.metrics import mean_squared_error # 加載數據 df = pd.read_csv('/content/3231_0614t.csv') # 重置索引並提取 'Close' 列 df['st_date'] = pd.to_

Stock Price Predict using XG-Boost.3231-180D

Stock Price Predict using XG-Boost.3231-180D

import pandas as pd import matplotlib.pyplot as plt import numpy as np from sklearn.preprocessing import MinMaxScaler from sklearn.metrics import mean_squared_error import math import xgboost as xgb # 確保導入 XGBoost from sklearn.model_selection import GridSearchCV df = pd.read_csv('/content/3231_0614t.csv') df.

Stock Price Predict using LSTM.3231_180D

Stock Price Predict using LSTM.3231_180D

import pandas as pd import matplotlib.pyplot as plt import numpy as np from sklearn.preprocessing import MinMaxScaler from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense from tensorflow.keras.layers import LSTM import math from sklearn.metrics import mean_squared_error df = pd.read_csv('

失智可以預防, 更可以治癒

失智可以預防, 更可以治癒麥克.內爾斯 (Nehls, Michael), author; 呂以榮, translator; 彭意梅, translator; 許景理, translator 摘要 1. 預防失智症：Nehls 提出了多種生活方式和營養方面的建議，旨在通過改善整體健康來降低患失智症的風險。 2. 治療策略：作者強調了一些可能逆轉或減緩失智症進程的療法，包括特定的飲食、運動計劃和心理訓練。 3. 綜合方法：這本書不僅關注藥物治療，還強調了整體健康和生活方式的改變對於預防和治療失智症的重要性。 4. 個案研究：書中引用了多個個案研究和臨床試驗的結果，以支持作者提出的理論和方法。本書提供了一個全面且具體的指導方針，幫助讀者理解如何通過積極的生活方式來預防和治療失智症。核心觀點預防失智症 1. 營養與飲食： * 地中海飲食：強調多吃蔬菜、水果、全穀物、魚類和橄欖油，這種飲食模式被證明有助於減少失智症風險。 * 抗氧化劑：建議攝取富含抗氧化劑的食物，如莓果、綠茶和深色蔬菜，這些食物有助於減少腦部炎症和氧化壓力。 2.

全球十大非傳染疾病盛行率

全球十大非傳染疾病數據分析全球主要疾病統計數據揭示了人類健康所面臨的嚴重挑戰，這些數據提供了一個深入洞察各種疾病對全球健康的影響。從結核病到糖尿病，從心臟病到中風，這些數據不僅反映了目前的健康現狀，還提供了指導未來健康政策和行動的重要信息。首先，讓我們來看一下結核病的情況。根據最新統計數字，全球結核病的患病率高達1,911,816,784例，佔總患病人數的25.07％，並且造成了1,162,796人的死亡。結核病是一種由結核桿菌引起的傳染病，其嚴重性不僅在於其高患病率，還在於其潛在的致命性。另一個令人擔憂的疾病是肝硬化和其他慢性肝病，其患病率佔全球總比例的22.26％，造成了1,425,142人的死亡。肝硬化是一種進展性疾病，嚴重威脅著患者的生命和健康，對全球公共衛生構成了重大挑戰。除了上述疾病外，糖尿病、缺血性心臟病和中風等慢性非傳染性疾病也被證實對全球健康構成重大影響。這些疾病的患病率和相關死亡人數都在持續增加，這提醒我們需要采取更積極的措施來預防和治療這些疾病，以提高全球健康水平。然而，我們不僅應該關注疾病本身，還應該關注它們背後的根本原因。疾病的發生和傳播受

鬼迷心竅-Cover

2022. Testing MIC: Audio Technia AT 2020 and Interface: Focusrite 2i2 春風再美也比不上妳的笑「鬼迷心竅」這個成語源自於中國古代，是一種形容人神志不清或被某種外力迷惑，做出不理智行為的表達。根據傳統文獻和成語詞典的記載，這個成語最早可以追溯到《三國演義》。在《三國演義》第七十回中，有一句話提到：「我等受丞相重恩，今鬼迷心竅，做下這等事來！」這句話的背景是形容一個人被某種外力或邪念所迷惑，失去了理智，做出了不符合常理的事情。因此，鬼迷心竅這個成語的出處最早可以追溯到明代小說《三國演義》，其主要用來形容人在被外力或內心的欲望所控制時，會失去理智，做出不理智的行為。《滄海》是唐代詩人王勃的作品滄海一粟鬼迷心竅，濁世三千世所能洗。鑑前之人且將禮，恩業未爲多壽百。用「滄海一粟」來形容人生的渺小，「鬼迷心竅」則指人心的迷惑與不明。