LSTM 时间序列分析预测 目录 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。

时间序列 Matlab代码和数据，教程

海量语义数据处理计算策略 •并行计算（parallel computing) •分布式计算（distributed computing) •云计算（cloud computing） •启发式方法（Heuristic Approach） •组合式方法 （Configurable Approach )

主要使用LSTM长短时记忆模型，ARIMA时序模型.autoTS模块预测等，配有运行好的jupter notebook,完整配套解题源码，可视化代码以及可视化资料（seaburn.plotly,matplotlib...)，预测源数据以及预测数据结果，突变量级结果，缺失值处理，多指标模型评价等

数据挖掘与知识发现（KDD）聚类算法PAM的MATLAB实现

商务智能 第三章 数据挖掘概述.pptx

通货膨胀自古以来就是人们关注的焦点，随着通货膨胀的进一步加剧，导致各种经济问题产生多元化，从而改变了人们的消费理念关，进一步使人们着手去了解关于通货膨胀方面的问题。通过对通货膨胀预测指标研究，比较准确的预测关于未来通货膨胀的重要信息。本文比较系统的介绍了通货膨胀的描述及产生的原因，通过对通货膨胀预测指标的研究分析，侧重于我国通货膨胀的具体情况，对我国的通货膨胀进行了可行性分析，此论题的研究建立在时间序列模型，及准确的说是ARIMA模型，对我国的通货膨胀未来预期具有比较重要的意义。

注：数据集太大，可在压缩包中的数据集 html 页面中点击链接下载完整数据集。 本项目采用ASSISTments 2012 数据集， 在所有数据集中，问题通常只有一种技能，但极少数可能与两种或三种技能相关联。 它通常取决于内容创建者给出的结构。 一些研究人员通过复制将具有多种技能的记录分成多个单一技能记录。 Wilson[6]声称这种类型的数据处理可以人为地显著提高预测结果，因为这些重复行可以占到DKT模型的Assistment09数据集中大约25%的记录。 因此，为了比较的公正性，我们在所有数据集中去掉了重复和多技能重复记录。 本项目基于pandas + Matplotlib + seaborn 等工具包对学生的测试数据进行可视化统计分析，并利用学生 2012 年和2013年上半年不同类型题目的测试结果数据，构建机器学习面向，实现对学生的画像建模，以此预测 2013年下半年测试对不同类型问题的表现。 可以看出，该决策树模型的预测结果如下，可以较好的依据用户测试的行为数据（测试过的试题种类、测试时间、犹豫情况、提示次数等等），预测该学生是否能考试达标（测试准确率 > 60%）

网络上搜集的一些python信用评分卡代码，供大家参考，谢谢！ 评分卡是信用风险评估和互联网金融领域常用的建模方法，并不简单对应于某种机器学习算法，而是一种通用建模框架。其原理是先将分箱后的原始数据进行特征工程变换，再使用线性模型建模。 评分卡建模理论通常适用于信用评估领域，例如信用卡风险评估和贷款发放业务。在其它领域，评分卡建模也可以作为分数评估，例如客服质量打分和芝麻信用打分。

零基础到数据挖掘精通(SPSS MODELER、EXCEL、ORACLE)课程配套资料（PPT、代码）.rar