很好的描述了如何将人工智能之循环神经网络运用于金融之股票市场的预测，包括特征处理，标准化，结论，与传统机器学习的效果进行比较

这是在深度学习工具箱中使用长短期记忆（LSTM）网络在接收器处实现符号分类以在OFDM系统中进行信号检测的示例。 基于 LSTM 的神经网络针对单个子载波进行训练，其中符号错误率 (SER) 被计算并与最小二乘 (LS) 和最小均方误差 (MMSE) 估计进行比较。 在此初步调查中，假设无线信道在离线训练和在线部署阶段是固定的。 为了测试神经网络的鲁棒性，对每个传输的 OFDM 数据包应用随机相移。 考虑了导频符号数量和循环前缀（CP）长度的影响。 要重新创建仿真结果，请加载相应的Mat文件并运行脚本Testing.m。 这段代码的想法受到论文的启发： H. Ye、GY Li 和 B. Juang，“OFDM 系统中信道估计和信号检测深度学习的力量”，IEEE 无线通信快报，第一卷。 7号1，第 114-117 页，2018 年 2 月。

千吨 某些与时间序列短期和长期预测有关的神经网络在keras中的实现。 主要思想是折叠时间序列数据集，以使同一列中的每一列具有多个“滞后”。 然后，我们使用滞后列来预测将来的列。 对于长期预测，我们将这些预测用作下一步的证据。 这旨在与我的高斯动态贝叶斯网络（ ）模型进行性能比较。 我想将我的GDBN模型与类似情况下的NN模型进行比较，并在此过程中创建一种“即插即用”的替代方案，以备将来需要时使用。 参考 延时神经网络： : 凯拉斯： ：//keras.io/

广东工业大学本科生毕业设计(论文)任务书-电力市场下基于BP神经网络的短期负荷预测建模及其仿真研究

通过监控突发新闻活动来跟踪短期股票流动

共视控制 Covid Control是一种免费且可评估的机器学习模型，可预测Covid19日案例（7天移动平均值）的未来数量。 使用LSTM和强化学习对非药物干预（NPI）进行量化。 利用机器学习挽救人类史无前例的全球健康能效新型冠状病毒（COVID-19）的生命，以帮助拉平曲线。 开发数据驱动的AI系统以预测感染率并制定区域政府，社区和组织可以实施的干预计划（IP）。 当国家重新开放经济和社会时，干预计划可以减少感染病例，最大程度地减少负面经济影响，并带来更好的结果。 动机：Covid19大流行React 3Blue1Brown的“指数增长和流行病” Covid19视频： 目标是开发一种机器学习模型，以预测未来全球Covid案例的数量： Part1预测器：LSTM长短期记忆预测器模型 使用LSTM长短期记忆以最高的准确性估算未来每天发生的COVID-19病例数，并开发了一种预测器模型

介绍了作为支持向量机（SVM）理论基础的统计学习理论和SVM的原理，推导了SVM回归模型；本文采用最小二乘支持向量机（LSSVM）模型，根据浙江台州某地区的历史负荷数据和气象数据，分析影响预测的各种因素，总结了负荷变化的规律性，对历史负荷数据中的“异常数据”进行修正，对负荷预测中要考虑的相关因素进行了归一化处理。LSSVM中的两个参数对模型有很大影响，而目前依然是基于经验的办法解决。对此，本文采用粒子群优化算法对模型参数进行寻优，以测试集误差作为判决依据，实现模型参数的优化选择，使得预测精度有所提高。实际算例表明，本文的预测方法收敛性好、有较高的预测精度和较快的训练速度。

电力系统短期负荷预测数据集（matlab、python）

在Anaconda Jupyter Noteboo下实现的基于长短期记忆网络（LSTM）的手写体数字识别（ipynb文件格式）

计算神经科学：在宾夕法尼亚大学教授的关于计算和理论神经科学的短期本科课程。 介绍MATLAB中的编程，单神经元模型，离子通道模型，基本神经网络和神经解码的编程