包含比赛代码、数据、训练后的神经网络模型等。 在分析光伏发电原理的基础上，论证了辐照度、光伏板工作温度等影响光伏输出功率的因素，通过实时监测的光伏板运行状态参数和气象参数建立预测模型，预估光伏电站瞬时发电量，根据光伏电站DCS系统提供的实际发电量数据进行对比分析，验证模型的实际应用价值。 1 数据探索与数据预处理 1.1 赛题回顾 1.2 数据探索性分析与异常值处理 1.3 相关性分析 2 特征工程 2.1 光伏发电领域特征 2.2 高阶环境特征 3 模型构建与调试 3.1 预测模型整体结构 3.2 基于LightGBM与XGBoost的构建与调试 3.3 基于LSTM的模型构建与调试 3.4 模型融合与总结 4 总结与展望 参考文献

使用BP神经网络和LSTM预测股票价格（注释拉满）+数据集.zip 代码详细注释、带有数据集 Jupyter Notebook 使用BP神经网络和LSTM预测股票价格（注释拉满）+数据集.zip 代码详细注释、带有数据集 Jupyter Notebook 使用BP神经网络和LSTM预测股票价格（注释拉满）+数据集.zip 代码详细注释、带有数据集 Jupyter Notebook

使用LSTM、GRU、BPNN进行时间序列预测源码+数据集（课设源码）.zip 使用LSTM、GRU、BPNN进行时间序列预测 Jupyter Notebook 课程大作业 使用LSTM、GRU、BPNN进行时间序列预测 Jupyter Notebook 课程大作业

大连房价预测.ipynb

无人驾驶车辆模型预测控制 第二版 程序代码 北理工

使用隐马尔可夫模型预测股市（Python完整源码和数据） 隐马尔可夫模型是一种非常有趣的随机过程，在机器学习领域未得到充分利用。 它们对于分析时间序列特别有用。 这与它们将现实世界过程发出的可观察输出转换为可预测和高效模型的能力相结合，使它们成为用于股票市场分析的可行候选者。 股票市场有几个有趣的特性，使建模变得非常重要，即波动性、时间依赖性和其他类似的复杂依赖性。 HMM 适合处理这些复杂情况，因为它们生成模型所需的唯一信息是一组观察结果（在本例中为历史股市数据）。

预测膝骨关节炎严重程度的图片数据集，该数据集包含用于膝关节检测和膝关节KL分级的膝关节x光数据。分级说明如下0级膝关节健康图像。2级(最低)明确存在骨赘，可能存在关节间隙狭窄。3级(中等)多发性骨赘，明确存在关节间隙狭窄，伴轻度硬化症。4级(严重)大骨赘，关节明显变窄，严重硬化。共9000多张图片

隐马尔可夫模型 (HMM) 是一种信号预测模型，已被用于预测经济状况和股票价格。 该项目旨在实现将机器学习算法应用于股票市场的目标。 长短期记忆模型（LSTM）保证了在新的时间状态下，随着隐藏层不断叠加输入序列，之前的信息可以继续向后传播而不会消失。我们的主要目的是通过预测一只股票的涨跌 使用 HMM-LSTM。 Experiment with 4 different models: GMM-HMM XGB-HMM GMM-HMM-LSTM XGB-HMM-LSTM Compared with the results: train_set

利用Trident topology实现预测疾病暴发的实例完整实例源码，具体详情参见博文：http://blog.csdn.net/l1028386804/article/details/79120204

机器学习和深度学习