神经网络时间序列预测 Long Short-Term Memory 循环神经网络 电力负荷预测

cnn_cats_dogs 使用 Caffe 对牛津宠物数据集的狗/猫图像进行分类 在 config.py 中设置路径

内容概述： 1. RNN唐诗写作模型（基于循环神经网络LSTM） 2. 答辩PPT（精美幻灯片，让答辩老师目瞪口呆） 3. 实验报告（辅助使用，阅读代码无压力） 实验目的： 1. 目标是通过使用深度学习架构tensorflow构建循环神经网络RNN模型生成唐诗 2. 其中要求生成诗歌开头词汇是“日、红、山、夜、湖、海、月”等词汇作为begin word 使用建议： 1. 环境搭建很重要 2. 要有自己的理解，读懂每一行代码对自己是百利无一害的

包含多种实际案例 使用LSTM神经网络进行时间序列数据预测分析。 基于Tensorflow框架、Kerase接口开发网络模型。 包含数据清洗，数据特征提取，数据建模，数据预测。 包含洗发水销量预测、空气质量预测等实际案例。 LSTM单变量、Multi-Step LSTM预测、长短周期记忆网络等方法 Keras中长短期记忆模型的5步操作 Keras中长短期记忆模型的5步操作代码分析 one-hotenoder与Keras one-hotenoder与scikit学习 手动one-hotenoder

使用多种方法完成MNIST分类任务 Python 3.6 Pytorch 1.0 Scikit-learn 0.21 无需下载数据直接跑，代码自动下载 逻辑回归 Logistic Regression 多层感知机 MLP K近邻 KNN 支持向量机 SVM 卷积神经网络 CNN 循环神经网络 RNN

1.领域：FPGA，多尺度CNN卷积神经网络的MRF图像分割算法 2.内容：【提供操作视频】基于多尺度CNN卷积神经网络的MRF图像分割算法matlab仿真 3.用处：用于多尺度CNN卷积神经网络的MRF图像分割算法编程学习 4.指向人群：本科，硕士，博士等教研使用 5.运行注意事项： 使用vivado2019.2或者更高版本测试，用软件打开FPGA工程，然后参考提供的操作录像视频跟着操作。 工程路径必须是英文，不能中文。

更新 更新22/01/2020您可能有兴趣关注以观看有关计算机视觉，机器学习，深度学习和机器人技术的每周视频。 Deepgaze 2.0的更新16/07/2019稳定版本可分支2.0 。 更新20/03/2019开始在Python / OpenCV 3.0上进行移植，请检查分支2.0以获取初步版本。 更新10/06/2017文章“使用卷积神经网络和自适应梯度方法在野外进行头部姿态估计”的PDF使用可在未来50天内免费下载 更新2017年4月6日，文章“使用卷积神经网络和自适应梯度方法在野外进行头部姿态估计”已在Pattern Recogntion（Elsevier）中接受发表。 Deepgaze CNN头部姿势估计器模块基于此工作。 更新31/05/2017新软件包。 该软件包包含用于显着性检测的算法的实现 更新22/03/2017修复了mask_analysis.py中的一个

卷积神经网络实现手写数字识别，包含手写数字二进制文件，代码分模块，有详细注释

通过多种机器学习股票价格预测，包括随机森林(Random Forest),决策树(SVM),线性回归(LinearRegression),长短期记忆(LSTM)。 利用toshare获取600519.sh 2000-2020年数据，除了随机森林外基本都是以前19年数据做训练集，最后一年做预测。数据获取的文件在toshare文件夹，获取好的数据集一并在内。想自己拿数据，注册toshare换接口即可。 这些内容都是结课实践要求下我搜集网络资料学习而来，自己理解修改整理使得基本以同一个数据集进行预测。可以说对国内网络上参差不齐的简单机器学习股票预测做了一个复现整理。这对我的机器学习知识有一定帮助，也希望能帮助到需要它的人。 全部为jupterbook格式，代码注释全面且执行效果都在。 适合个人学习、课程团队作业、毕业设计参考等。

spec-img-finesse 在他们的工作Makantasis等。 （2015年）表明，使用CNN，高光谱图像可以成功分类。 CNN可以对像素的光谱和空间特征进行编码。 特征的从低到高层次结构极大地提高了分类性能。 在我们的CNN实施中，我们使用层修剪和层压缩方法扩展和优化了它们的方法。 每个植物在电磁频谱上都有其独特的频谱“特征”，可以使用高光谱传感器捕获该特征。 将图像中的高光谱带作为特征，将每个像素作为样本，利用卷积神经网络（CNN）和支持向量机（SVM）对植物进行分类。 CNN优化有助于防止过拟合，加速推理并减少其在内存，电池和计算能力方面的资源。 Keras 2.1.5与Tensorflow 1.7.0结合使用。 使用了印度松树数据集。 使用支持多项式的SVM可以达到83.9％的测试精度，而使用CNN可以达到99.2％的测试精度。 可以在项目报告“使用高光谱图像进行植