pdf，word，和github代码汇总

Graizer-Kalkan (2015) 地震动预测方程 (GMPE) 旨在预测浅地壳大陆地震的峰值地面加速度和 5% 阻尼伪谱加速度响应坐标，用于地震工程应用，包括概率和确定性地震危害分析。 GK15 可用于矩震级为 5.0-8.0、距离为 0-250 km、平均剪切波速度为 200-1,300 m/s、谱周期为 0.01-5 s 的地震。 GK15 GMPE 在 zip 文件中编码为 MatLAB 函数（名为“GK15.m”）。 还提供了一个示例 MatLAB 代码（“demo.m”），用于为给定的危险条件生成 5% 阻尼伪谱加速度响应谱。 考虑到不同的危害条件，用户可以更改输入参数以构建特定于站点的响应谱。

hmm_market_behavior hmm_market_behavior.ipynb-主要研究文件。 hmm_market_behavior_following_btcusd_catalyst.py-使用Catalyst框架的交易策略示例。 quandl_BITFINEX_BTCUSD_final_model.pkl-训练模型。 您可以在本文中阅读更多内容

本书是1984年，被外国教授Solo, V. - Prentice-Hall撰写，是自适应控制理论与应用方面非常实用的书籍，所以特地分享给大家，资源很难得哦哦

ad-click-prediction

递归神经网络预测Google股票价格 我试图使用LSTM预测Google股票价格 长短期记忆（LSTM）单元（或块）是递归神经网络（RNN）层的构建单元。 由LSTM单元组成的RNN通常称为LSTM网络。 常见的LSTM单元由单元，输入门，输出门和忘记门组成。 该单元负责在任意时间间隔内“记住”值。 因此，LSTM中的“内存”一词。 就像多层（或前馈）神经网络中一样，这三个门中的每一个都可以被认为是“常规”人工神经元：也就是说，它们计算加权和的激活（使用激活函数）。 从直觉上讲，它们可以看作是通过LSTM连接的值流的调节器。 因此表示“门”。 这些门与单元之间存在连接。 更好的预测模型的结果是：

smote的matlab代码破产预测 挖掘波兰破产数据 标签：数据挖掘、机器学习、数据可视化。 共同创建 链接： 项目介绍： 数据集： 概括： 破产预测是预测公司破产和财务困境的各种措施的任务，由于债权人和投资者在评估公司可能破产的可能性时具有相关性，因此很重要。 预测财务困境的目的是开发一个预测模型，该模型结合了各种计量经济参数，可以预测公司的财务状况。 在这个项目中，我们在探索、构建和比较一些广泛使用的分类模型时记录了我们的观察结果： 高斯朴素贝叶斯 逻辑回归 决策树 随机森林 极端梯度提升 平衡装袋 我们选择了波兰公司的破产数据集，其中使用合成特征来反映更高阶的统计数据。 我们首先进行数据预处理和探索性分析，其中我们使用一些流行的数据插补技术来插补缺失的数据值，如均值、k-最近邻、期望最大化和链式方程 (MICE) 的多元插补。 为了解决数据不平衡问题，我们应用合成少数类过采样技术（SMOTE）对少数类标签进行过采样。 稍后，我们使用 K 折交叉验证对上述模型以及插补和重采样数据集对数据进行建模。 最后，我们使用准确率、准确率、召回率等多个指标分析和评估模型在验证数据集上的性能，

优化预测 使用决策树回归模型改变模型参数以优化预测算法。

LSTM_Stock_Prediction 这是我为Msc设计的硕士论文项目。 在金融学年2018-2019。 目的是查看股价是否存在可预测性。 如果有的话，我们是否有可能根据模型创建交易策略。

使用对抗性训练增强深度学习以稳健预测癫痫发作 该存储库包含 Hussein A.、Djandji M. 等人在 ACM Transactions on Computing for Healthcare 发表的期刊论文“Augmenting DL with Adversarial Training for Robust Prediction of Epilepsy Seizures”中使用的代码。 该论文可以在这里找到： : 。 要求 h5py (2.9.0) 希克尔 (3.4.5) matplotlib (3.1.1) 内 (0.11.0) 熊猫 (0.25.1) scikit-learn (0.21.3) scipy (1.1.0) 张量流-GPU (1.14.0) 主文件夹说明 CHBMIT 和 FB：原始数据集文件夹。 CHBMIT_cache 和 FB_cach