使用长短期记忆网络对股票价格进行预测（LSTM ）

图神经网络 | Python实现LSTM-GNN时间序列预测 LSTM-GNN用于病人的结果预测：一个混合模型，结合了用于提取时间特征的长短期记忆网络（LSTM）和用于提取病人邻域信息的图谱神经网络（GNN）。 关于预测重症监护室（ICU）病人结果的工作主要集中在生理时间序列数据上，基本上忽略了诊断和药物等稀疏数据。当它们被包括在内时，它们通常是在模型的后期阶段被串联起来的，这可能难以从更罕见的疾病模式中学习。通过在图中连接类似的病人，将诊断作为关系信息加以利用。 LSTM-GNNs在eICU数据库的住院时间预测任务中的表现优于仅有LSTM的基线。利用图神经网络从相邻的病人病例中提取信息是一个很有前途的研究方向，在电子健康记录的监督学习性能方面产生了切实的回报。

利用wikipedia语料训练word2vec代码，中英文都可，语料自行下载

基于LSTM的故障诊断-python程序说明及源代码.zip

RNN和Temporal-ConvNet进行活动识别 ，（等额缴纳） 论文代码： （在杂志上接受，2019年） 项目： 抽象的 在这项工作中，我们使用ResNet-101演示了一个强大的基线两流ConvNet。 我们使用此基线来彻底检查RNN和Temporal-ConvNets的使用，以提取时空信息。 基于我们的实验结果，然后我们提出并研究了两个不同的网络，以进一步整合时空信息：1）时域RNN和2）初始样式的Temporal-ConvNet。 我们的分析确定了每种方法的特定局限性，这些局限性可能构成未来工作的基础。 我们在UCF101和HMDB51数据集上的实验结果分别达到了94.1％和69.0％的最新性能，而无需大量的时间增强。 我们如何解决活动识别问题？ 演示版 GIF展示了我们的TS-LSTM和“时间-开始”方法的前3个预测结果。 顶部的文本是基本事实，三个文本是每种方法的预

ppt《LSTM的前身今世》介绍了RNN的发展历程，该资源包含BRNN、GRU、Attention等经典论文，一共9篇，可以作为NLP的入门。

擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真。

《Word2vec from theory to practice（Word2vec及其最新应用介绍）》， Hendrik Heuer在Stockholm NLP Meetup上的报告，不少关于Word2vec实践的内容。

文本预处理：分词，取出停用词，过滤低频词汇，编码归一化等； 文本向量化：如使用向量空间模型VSM(Vector Space Model)或者概率统计模型对文本进行表示，使计算机能够理解计算，用的方法基于集合论模型。基于代数轮模型。基于频率统计模型等等； 文本特征提取和选择：特征提取对应着特征项的选择和特征权重的计算。

多分类损失函数 label.shape:[batch_size]; pred.shape: [batch_size, num_classes] 使用 tf.keras.losses.sparse_categorical_crossentropy(y_true, y_pred, from_logits=False, axis=-1) – y_true 真实值， y_pred 预测值 – from_logits,我的理解是，如果预测结果经过了softmax(单次预测结果满足和为1)就使用设为`False`,   如果预测结果未经过softmax就设为`True`. pred = tf.c