基于粗糙集神经网络的数据挖掘在门业制造车间质量控制中的应用，陈振，刘颖，本文在对门业制造车间质量控制的特点进行分析的基础上提出了一个基于粗糙集BP神经网络的质量预测模型。用粗糙集的属性约简对输入�

基于贝叶斯优化长短期记忆网络(bayes-LSTM)的时间序列预测，matlab代码，要求2019及以上版本。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

[数据分析师课件]1-2Python环境配置及相关工具包安装.html 数据分析师课件]2-1python基础知识.html 数据分析师课件]2-4基于 HTML的爬虫，Python (Beautifulsoup) 实现html 数据分析师课件]2-5网络爬虫高级技巧: 使用代理和反爬虫机制.html [数据分析师课件]2-6 应用案例: 爬取豆瓣 TOP250 电影信息并存储.html [数据分析师课件]3-1数据库及 SQL 语言概述html [数据分析师课件]3-2基于 HeidisL的数据库操.html [数据分析师课件]3-3数据库进阶操作: 数据过滤与分组聚合.html 数据分析师课件]3-4用 Python 进行数据库连接与数据查询.html 数据分析师课件]3-5其他类型数据库: SQLite&MongoDB.html 数据分析师课件]3-6用 Pandas 进行数据预处理: 数据清洗与可视化.html [数据分析师课件]4.6预测型数据分析: 线性回归.html [数据分析师课件]4-1探索型数据分析: 绘制统计图形展示数据分布.html ..............

Excel是当前使用最普遍、入门极快的电子表格软件，它能轻易地完成大量数据的统计分析、处理与制图，不仅功能强大，还操作简单。最新版本Microsoft Office Excel 2013是Excel发展历程中一个里程碑级的产品，对比Excel 2010，它非常适应于“大数据”和“互联网+”时代下的数据挖掘工作。它提供了数项让人眼前一亮的新功能，包括Power Query，Power View，Power Map和PowerPivot。

MATLAB开发的LSTM深度学习网络来预测时间序列的工具箱-支持单时间序列和多元时间序列的预测

自己编写并优化的贝叶斯模型，用于神经网络、机器学习或者数据分析、数据挖掘等领域的数学模型。是数据分析、Python程序设计、数学建模等课程作业的不二帮手！ 语言为Python，在Python3.6~3.8均可运行，需要安装numpy

18第18章 时间序列分析(Python 程序及数据).zip

粒子群算法(PSO)优化极限梯度提升树XGBoost时间序列预测，PSO-XGBoost时间序列预测模型，单列数据输入模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

内容概要：通过数据集电力变压器油温数据详细的介绍双向LSTM，以及其机制，运行原理，以及如何横向搭配单向的LSTM进行回归问题的解决。 所需数据：在本次的模型所需的数据是电力变压器油温数据，由国家电网提供，该数据集是来自中国同一个省的两个不同县的变压器数据，时间跨度为2年，原始数据每分钟记录一次（用 m 标记），每个数据集包含2年 * 365天 * 24小时 * 60分钟 = 1,051,200数据点。 每个数据点均包含8维特征，包括数据点记录日期，预测目标值OT(oil temperature)和6个不同类型功率负载特征。 适合人群：时间序列和深度学习初学者本文的模型比较简单，易于理解。 阅读建议：可以大致阅读以下，本文件只是一个简单实现版本，并不复杂。 能学到什么：能够从本文件当中读懂深度学习的代码实现过程，对于时间序列有一个简单的了解， (PS:如果你使用你自己的数据进行预测需要将时间列和官方数据集保持一致，因为在数据处理部分我添加了一部分特征工程操作，提取了一些时间信息,因为LSTM不支持时间格式的数据输入,需要转化为数字) 如果大家不懂的地方可以看我的文章部分有详细的讲解。

灰狼算法(GWO)优化极限梯度提升树XGBoost时间序列预测，GWO-XGBoost时间序列预测模型，单列数据输入模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。