在时间序列预测问题中，建立LSTM模型，采用python语言代码实现

C#实现的LSTM递归神经网络类库 适合做机器学习的童靴拿走，不谢！

全球结构地震损害预测 使用深度学习技术来检测地震后带有铰链/接头的结构中的损坏。 用于训练数据的网络包括：“一维卷积神经网络”，“ LSTM网络”，“使用频谱图的二维卷积神经网络”。 使用连接到铰链/接头的加速度计记录X和Y轴的数据，并使用SAP2000生成地震情况。 可以在以下位置找到用于训练的数据：（请参考数据集的.zip文件。文件夹中的笔记本未更新） 检查数据后，文件“ Data and Discrepancies.txt”描述了数据中每种情况下发现的差异。 请参阅文件“地震损坏检测2数据预处理.ipynb”以处理数据。 请参阅文件“地震破坏预测2-准备I＆O.ipynb”，以准备要馈入网络的数据并生成两个X＆Y轴的频谱图。 有关训练1D CNN和LSTM的信息，请参阅文件“ Earthquake Network Training 3.ipynb”。 随附的笔记本可能还包

基于LSTM结构的文本情感分析，张玉环，钱江，随着互联网的迅猛发展，越来越多的用户在互联网上发表着自己的评论，这些评论中包含着很多有价值的信息，而这些对于厂家进一步了

时间序列 预测2018年前六个月的建筑钢材价格。 调查了2008年至2017年钢铁的历史价格数据，以确定价格特征。 由于价格显示季节性，因此使用时间序列预测方法SARIMA（使用AutoARIMA软件包）进行了预测。 此外，还对钢筋，玻璃，混凝土和胶合板的价格进行了调查。 除了预测之外，还对价格执行异常检测。 使用PCA和K均值聚类确定异常。

用pytorch写的CNN+lstm深度学习模型

主要实现使用了基于字向量的四层双向LSTM与CRF模型的网络.该项目提供了原始训练数据样本(一般醒目,出院情况,病史情况,病史特点,诊疗经过)与转换版本,训练脚本,预训练模型,可用于序列标注研究.把玩和PK使用

机器学习专家Jason Brownlee所著，详细讲解了创造lstm的起因，优势，反向传播算法，数据集的归一化，Vanilla LSTMs，Stacked LSTMs，CNN LSTMs原理及原码实现。让您一本书就可以基本完全了解lstm!!

使用BiLSTM-CRF模型的NER任务的PyTorch解决方案。 此存储库包含BiLSTM-CRF模型的PyTorch实现，用于命名实体识别任务。 代码结构 在项目的根目录，您将看到： ├── pyner | └── callback | | └── lrscheduler.py　　 | | └── trainingmonitor.py　 | | └── ... | └── config | | └── basic_config.py #a configuration file for storing model parameters | └── dataset

数据科学家，学生，机器学习工程师