《无人驾驶车辆模型预测控制 [龚建伟，姜岩，徐威著]》，带有目录，查看方便。 本书主要介绍模型预测控制理论与方法在无人驾驶车辆运动规划与跟踪控制中的应用。由于模型预测控制理论数学抽象特点明显，初涉者往往需要较长时间的探索才能真正理解和掌握，而进一步应用到具体研究，则需要更长的过程。本书详细介绍了应用模型预测控制理论进行无人驾驶车辆控制的基础方法，结合运动规划与跟踪实例详细说明了预测模型建立、方法优化、约束处理和反馈校正的方法，给出了Matlab仿真代码和详细图解仿真步骤。所有代码都详细提供了详尽的注解，并且融入了研究团队在本领域的研究成果。, 本书可以作为地面无人车辆、空中无人机、无人艇及移动机器人等无人车辆模型预测控制的研究参考资料，同时也可以作为学习模型预测控制理论的应用教材。

1.提出问题 明确要分析的问题，为后续的机器学习过程提供目标。 2.理解数据（采集并查看数据） 采集数据（根据研究问题采集数据）；导入数据（从不同数据源读取数据）；查看数据信息（描述统计信息、数据缺失值、异常值情况等，可以结合具体图表来直观查看数据）。 3.数据清洗（数据预处理） 数据预处理是数据分析过程中关键的一环，数据质量决定了机器学习分析的上限，而具体采用的算法和模型只是逼近这个上限。（包括缺失数据处理、异常值处理、数据类型转换、列名重命名、数据排序、选择子集、特征工程等步骤） 4.构建模型 根据研究的问题以及数据的特点选择合适的算法，将训练数据放入所选择的机器学习算法中构建相应的模型，有时需要对多种算法模型进行比较，甚至进行模型整合。 5.模型评估 利用测试数据对得到的模型效果进行评估，具体评估指标依据研究的问题及采用的模型进行选择，常用到的指标需根据模型的类型而定，如分类模型常用准确率、ROC-AUC等，而回归模型可以用决定系数等。

任务：使用机器学习相关知识完成购房贷款违约预测，给定特征字段，输出是否会发生逾期的预测。 1.2 实验要求 1.2 题目背景 随着世界经济的蓬勃发展和中国改革开放的逐渐深入，无论是企业的发展还是从人们消费观念的转变，贷款已经成为企业和个人解决经济问题的一种重要方式。随着银行各种贷款业务的推出和人们日益膨胀的需求，不良贷款也就是贷款违约的概率也随之激增。为了避免贷款违约，银行等金融机构在发放贷款时会对借款人的信用风险进行评估或打分，预测贷款违约的概率并根据结果做出是否发放贷款的判断。如何在发放贷款前有效的评价和识别借款人潜在的违约风险，是金融机构信用风险管理的基础和重要环节，用一套科学的模型和系统来判定贷款违约的风险性可以将风险最小化和利润最大化。 1.2 数据集 数据集在../dataset 目录下，train.csv 为训练集数据，包含 120000 条数据，每条数据除去 id 和结果共有 50 个特征。test.csv 为预测集数据，包含 30000 条数据等待预测。 1.2 任务描述 本任务研究如何借助非平衡数据分类的思想对银行等金融机构的购房贷款数据进行分析，并基于随机森

论文的Matlab代码： VK Veludandi 和 K. Vasudevan，“SIMO-OFDM 中卷积编码 DQPSK 基于线性预测的数据检测”， CoRR，卷。 abs/1710.02977, 2017. [在线]。 可用的： http://arxiv.org/abs/1710.02977

期刊的MATLAB代码： VK Veludandi 和 K. Vasudevan，“基于线性预测的串行连接 DQPSK 检测SIMO-OFDM”，无线个人通信，Springer，第一卷。 97，第 3 期，第 4789-4811 页，2017 年。

产品推荐系统 基于深层兴趣网络和CTR预测基本模型的产品推荐系统使用Amazon Review数据。

代码有详细注解，多输出单输出，Excel数据读取，适合初学者，先到先得！

LSTM预测气温.ipynb

交通预测相关数据（出租车，网约车，分析过程文件），包含json文件、taxidata等。基于出租车数据预测交通拥堵和交通流量的案例，展示如何利用人工神经网络与深度学习方法预测交通状态。通过这个项目，你们可以了解交通大数据的清洗和可视化的基本流程，并手动搭建一个人工神经网络对交通拥堵状况进行预测，更进一步你们将学会如何搭建深度学习模型预测交通的流量。 注：数据仅供学习研究使用，禁止商用及传播。侵删。

对于许多研究人员和审查员来说，确定股票价格的专业性一直是一项麻烦的任务。 事实上，金融专家对股票价值预测的检查领域非常感兴趣。 对于体面而有用的投机，众多投机者对股市未来走势了如指掌。 强大而强大的股票市场预测框架可帮助交易商、投机者和专家提供重要数据，例如股票市场的未来走向。 这项工作提出了一种循环神经网络 (RNN) 和长短期记忆 (LSTM) 方法来处理预期的股市文件。