基于堆叠稀疏自动编码器的数字调制自动识别

PSO for training a regular Autoencoder，PSO在常规自动编码器训练中的应用，我们使用粒子群优化（PSO）来训练自动编码器。包括matlab完整代码。

生成式对抗网络（GAN,generative adversarial network）对生成式模型的发展具有深远意义，自提出后立刻受到人工智能学术界和工业界的广泛研究与高度关注，随着深度学习的技术发展，生成式对抗模型在理论和应用上得到不断推进。首先，阐述生成对抗模型的研究背景与意义，然后，详细论述生成式对抗网络在建模、架构、训练和性能评估方面的研究进展及其具体应用现状，最后，进行分析与总结，指出生成式对抗网络研究中亟待解决的问题以及未来的研究方向。

多自动编码器文本分类模型设计，苏峰，王旭，在文本挖掘研究中，通常采用向量空间模型。然而,向量空间模型带来的高维稀疏矩阵运算是影响文本分类准确率的重要因素之一。近年��

半结构访谈，文本分析必备软件Nvivo12自动编码语言包~~~~~半结构访谈分析必备软件Nvivo12自动编码语言包

VAE（Variational Auto Encodes）自动编码器是无监督学习的一种。

Time_Series_Anomaly_Detection：使用带有LSTM单元和自动编码器的RNN检测时间序列中异常数据点的案例研究

有监督的自动编码器MLP 在金融ML竞赛中使用的有监督自动编码器MLP模型的Pytorch实现。 想法是，将训练AE以生成数据集的降维（编码器输出）表示，然后在编码器输出和原始输入的级联中训练MLP。 损失函数可以在任务中进行修改（例如，BCE用于分类，MSE用于回归等）。 可能需要修改输出激活功能（例如，从ReLU到Sigmoid，进行二元交易分类）。 一些代码从我的Resnet存储库中回收（例如GaussNoise层，提早停止，清除了K折）。 基于： :

LSTM异常检测自动编码器 使用LSTM自动编码器检测异常并对稀有事件进行分类。 如此多次，实际上是现实生活中的大多数数据，我们都有不平衡的数据。 数据是我们最感兴趣的事件，很少见，不像正常情况下那么频繁。 例如，在欺诈检测中。 大多数数据是正常情况，无论数据是否已标记，我们都希望检测异常或何时发生欺诈。 处理未标记的数据时，我们通常会使用“异常值检测”方法，例如，基于聚类的局部离群值因子（CBLOF） ，基于直方图的离群值检测（HBOS）等。而标记的数据被视为“分类”问题和分类器，如和。 但是，由于正数据点在数据中很少见，因此该算法发现很难从数据中学到很多东西。 例如，分类器通常最终会在所有情况下都预测为“负”，以实现最佳准确性。 在这里，我们将研究可用于有监督和无监督以及罕见事件分类问题的另一种方法。 长短期记忆自动编码器。

MovieLens1M基于深度学习的电影推荐系统 使用MovieLens1M数据集（数据可以从下载），实现自动编码器（AE），可变自动编码器（VAE），BERT提取电影名特征3种方法，对评分矩阵进行耦合，继而对用户做出推荐。 代码建议在Google Colab环境下运行，代码中的目录请根据自己的实际目录进行修改。 本代码主目录和子目录如下： / content / drive / Movie_lens / --------- ml-1m（包含数据集的文件夹） ---------自动编码器.ipynb ---------基于BERT的recommender.ipynb 1个型号： 1.1自动编码器 1.2可变自动编码器 1.3基于BERT 2实验结果： 2.1自动编码器的训练损失和验证损失的MSE 2.2变分自动编码器的训练损失和验证损失的MSE 2.3基于BERT的训练损失和测试损失的M