项目一：modeltime — 时间序列预测模型和机器学习框架

时间序列在变化。企业现在每天需要10,000多个时间序列预测。这就是我所说的高性能时间序列预测系统（HPTSF）-准确，稳健和可扩展的预测。高性能预测系统将为公司节省数百万美元。

特点与优势：

• Modeltime在一个框架中解锁时间序列模型和机器学习。无需在各种框架之间来回切换。modeltime解锁了机器学习和经典时间序列分析。
• 预测：使用ARIMA，ETS和更多模型
• 先知：使用Facebook的先知算法
• 其他五花八门的模型
• 简化的预测工作流程。Modeltime合并了一个简单的工作流，以使用最佳实践进行预测。

项目地址：

https://github.com/business-science/modeltime

想要逃避总有借口，想要成功总有办法！今天给大家一个超棒的课程福利——【特征工程于模型优化特训】课程！8月23日开课，限时1分拼团秒杀！

课程链接：https://www.julyedu.com/course/getDetail/379

课程通过两大实战项目学习多种优化方法，掌握比赛上分利器，且包含共享社群答疑 ➕ 免费CPU云平台等课程配套服务，理论和实践完美结合；从数据采集到数据处理、到特征选择、再到模型调优，带你掌握一套完整的机器学习流程。

课程配备优秀讲师、专业职业规划老师和助教团队跟踪辅导、答疑，班主任督促学习，群内学员一起学习，对抗惰性。

项目二：Open3D-ML — Open3D的扩展，可解决3D机器学习任务

Open3D-ML是Open3D的扩展，用于3D机器学习任务。它建立在Open3D核心库的基础上，并通过用于3D数据处理的机器学习工具进行了扩展。此项目集中于诸如语义点云分段之类的应用程序，并提供了可用于常见任务以及用于训练的管道的预训练模型。

Open3D-ML可与TensorFlow和PyTorch轻松集成到现有项目中，并且还提供独立于ML框架的常规功能，例如数据可视化。

Open3D-ML集成在Open3D v0.11 + python发行版中，并且与以下版本的ML框架兼容。

• PyTorch 1.6
• TensorFlow 2.3
• CUDA 10.1 (On GNU/Linux x86_64, optional)

主要功能：

• 读取数据集 数据集名称空间包含用于读取常见数据集的类。在这里，我们阅读了SemanticKITTI数据集并将其可视化。
• 模型，数据集和管道的配置存储在ml3d / config中。用户还可以构造自己的yaml文件来保留其自定义配置的记录。
• 运行预训练的语义分割模型
  在前面的示例的基础上，我们可以使用经过预训练的语义分割模型实例化管道，然后在数据集的点云上运行它。请参阅模型动物园以获取预训练模型的权重。
• 训练语义分割模型 与推理类似，管道提供了用于训练数据集上的模型的接口。
• 使用预定义脚本。

任务与算法：

• 语义分割任务

对于语义分割的任务，我们在所有类上使用均值交越联合（mIoU）来衡量不同方法的性能。该表显示了细分任务的可用模型和数据集以及相应的分数。每个分数都链接到各自的体重文件。

• 目标检测

对于物体检测任务，我们使用鸟瞰（BEV）和3D的平均平均精度（mAP）来测量不同方法的性能。该表显示了对象检测任务的可用模型和数据集以及相应的分数。每个分数都链接到各自的体重文件。为了进行评估，根据KITTI的验证标准，使用验证子集对模型进行了评估。对模型进行了三类训练（汽车，行人和骑自行车的人）。计算出的值是所有难度级别下所有类别的mAP的平均值。

项目地址：

https://github.com/intel-isl/Open3D-ML