基于变量选择深度信念神经网络的风速预测.pdf

基于BP神经网络的住宅项目投资估算研究.pdf

基于BP-神经网络与SMOTE算法的上市公司财务数据造假分析.pdf

基于改进Elman神经网络的故障诊断模型研究.pdf

CASIA人脸图像数据库5.0版（或CASIA-FaceV5）包含500个主题的2500张彩色人脸图像。

用于股票预测的深度学习和机器学习 描述：这是用于学习，研究，研究和分析深度学习（DL）和机器学习（ML）中的股票。 使用不同类型的算法通过机器学习或深度学习预测股票。 对股票数据进行试验，以查看其工作原理，工作原理或为什么不这样工作。 在机器学习或深度学习中使用不同类型的库存策略。 在机器学习或深度学习中使用技术分析或基础分析来预测未来股价。 此外，可以长期或短期地预测库存。 机器学习是人工智能的一个子集，它涉及算法的创建，这些算法可以自动更改，而无需人工干预，从而通过结构化数据输入自身来产生输出。 另一方面，深度学习是机器学习的一个子集，其中创建了算法，但是深度学习就像机器学习一样，许多不

在线广告点击率预测研究；深度学习；机器学习；常见预测方法；

强化学习（Reinforcement Learning, RL），又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题 [1] 。 强化学习的常见模型是标准的马尔可夫决策过程（Markov Decision Process, MDP）。按给定条件，强化学习可分为基于模式的强化学习（model-based RL）和无模式强化学习（model-free RL） [1] ，以及主动强化学习（active RL）和被动强化学习（passive RL） [2] 。强化学习的变体包括逆向强化学习、阶层强化学习和部分可观测系统的强化学习。求解强化学习问题所使用的算法可分为策略搜索算法和值函数（value function）算法两类。深度学习模型可以在强化学习中得到使用，形成深度强化学习 [1] 。 强化学习理论受到行为主义心理学启发，侧重在线学习并试图在探索-利用（exploration-exploitation）间保持平衡。不同于监督学习和非监督学习，强化学习不要求预先给定任何数据，而是通过接收环境对动作的奖励（反馈）获得学习信息并更新模型参数 [3] 。

Long Short-Term Memory Networks With Python Develop Sequence Prediction Models With Deep Learning Jason Brownlee

Statistical Machine Translation 一本介绍统计机器翻译的书