《基于深度学习的财经新闻量化与股市预测研究》论文源代码说明 目录说明 CNN (CNN文本处理及模型) Database (mysql连接类及数据库结构文件) Ensemble (集成学习文本处理及模型) FetchBindex (百度指数爬虫) LSTM (LSTM文本处理及模型) run_data (生成文件存放目录) Spider (财经新闻、股票数据爬虫及自定义工具类) /main.py (入口文件，含交叉验证及所有样例) /ensemble_temp.bat (批处理文件，作用详见下面"缺陷") 数据爬取 财经新闻数据：Spider/NewsSpider.py 股票历史数据：Spider/StockSpider.py 百度指数数据：FetchBindex 训练集处理 数据处理：CNN/DataHelper.py、CNN/News.py(新闻词典生成) CNN训练数据集：CNN/O

Attention：注意力机制在Keras当中的实现 目录 所需环境 tensorflow-gpu==1.13.1 keras==2.1.5 LSTM中的注意力机制 在本库中，我将注意力机制施加在LSTM的Step上，目的是注意输入进来的样本，每一个Step的重要程度。我们使用的样本数据如下： X = [[-21.03816538 1.4249185 ] [ 3.76040424 -12.83660875] [ 1. 1. ] [-10.17242648 5.37333323] [ 2.97058584 -9.31965078] [ 3.69295417 8.47650258] [ -6.91492102 11.00583167] [ -0.03511656 -

lstm ctc 语音识别

word2vec数学原理

Mixed-Fisher特征云模型聚类在文本情感分类中的应用.pdf

细粒度情感分类 此仓库显示了对各种NLP方法的比较和讨论，这些方法可以在（SST-5）数据集上执行5级情感分类。 目标是使用多个基于规则，基于线性和神经网络的分类器来预测此数据集上的类，并查看它们之间的区别。 当前已实现以下分类器： TextBlob ：基于规则，使用库中的内部polarity度量。 Vader ：基于规则，使用库中的compound极性分数。 Logistic回归：在将词汇表转换为特征向量并考虑使用TF-IDF的词频影响后，在scikit-learn中训练简单的logistic回归模型。 SVM ：在将词汇表转换为特征向量并使用TF-IDF考虑词频的影响后，在sci

word2vec中的数学原理详解，pdf高清版，学习Word2Vec最好的材料，Word2Vec看这个就够了。

信号数据的采集来自于嵌入在智能手机中的加速度传感器，实验选用了人类日常行为中的六类常见行为，分别为：走路、慢跑、上楼梯、下楼梯、坐、站立，数据收集后，对数据进行特征抽取，抽取后的特征使用支持向量机的分类功能对特征进行分类，最后识别出人类的六类行为。

【项目实战】Python实现深度神经网络RNN-LSTM分类模型(医学疾病诊断) 资料说明：包括数据集+源代码+Word文档说明。 资料内容包括： 1)项目背景； 2)收集数据； 3)数据预处理； 4)探索数据分析； 5)特征工程； 6)LSTM建模； 7)模型评估； 8)临床应用。

Tensorflow中的LSTM自动编码器和LSTM未来预测器。 这是基于本文的简单实现： : 要求 Tensorflow 1.4.0 的Python 3.5.4 Python软件包：numpy，matplotlib，os，argparse，scipy 用法 数据生成后实施重建或未来预测 使用旋转和移位生成数据：Image_generation.ipynb 使用LSTM自动编码器重建数据：Autoencoder.ipynb 输入重构和未来预测：AE_with_Predictor 结果 从复合模型 数据序列（从左到右）：0,1，...，t-1，t 轮换数据 在LSTM模型中输入序列数据后，重建数据并预测旋转多少 输入顺序 输入重构 未来预测 移位数据 在LSTM模型中输入序列数据后，重建数据并预测多少位移 输入顺序 输入重构 未来预测 参考实现 https://githu