Unsupervised pre-training of a Deep LSTM-based Stacked Autoencoder for Multivariate time Series forecasting problems Alaa Sagheer

LSTM数据集+python源码.rar

LSTM异常检测自动编码器 使用LSTM自动编码器检测异常并对稀有事件进行分类。 如此多次，实际上是现实生活中的大多数数据，我们都有不平衡的数据。 数据是我们最感兴趣的事件，很少见，不像正常情况下那么频繁。 例如，在欺诈检测中。 大多数数据是正常情况，无论数据是否已标记，我们都希望检测异常或何时发生欺诈。 处理未标记的数据时，我们通常会使用“异常值检测”方法，例如，基于聚类的局部离群值因子（CBLOF） ，基于直方图的离群值检测（HBOS）等。而标记的数据被视为“分类”问题和分类器，如和。 但是，由于正数据点在数据中很少见，因此该算法发现很难从数据中学到很多东西。 例如，分类器通常最终会在所有情况下都预测为“负”，以实现最佳准确性。 在这里，我们将研究可用于有监督和无监督以及罕见事件分类问题的另一种方法。 长短期记忆自动编码器。

Tensorflow-LSTM-股票预测DEMO Tensorflow-LSTM-股票预测DEMO

Tensorflow-LSTM-股票预测DEMO Tensorflow-LSTM-股票预测DEMO，代码有详细的注释，可以运行

lstm情感分析代码

压缩文件中视频和代码齐全，其中包含python基础、pytorch基础等入门课程及代码；还有神经网络、卷积神经网络（CNN）、循环神经网络（LSTM）、生成对抗网络（GAN）、强化学习（RL）等进阶课程及代码。不用再到处找课程、找源码，一压缩包内容包入门。

根据lstm的计算规则，自己手动编写了一个lstm框架，结果和调用torch.nn.LSTM的结果一致。可利用该函数（lstm_by_hand），在其内部进行任何操作，不再将nn.LSTM当成黑盒，可根据自己需求实现自己的模型。

基于pytorch的RNN双向LSTM情感分析源码，pycharm运行，数据集下载地址http://ai.stanford.edu/~amaas/data/sentiment/，准确率85，注释非常全，适合入门学习

RNN污染预测 使用简单的递归神经网络，Python和Keras的LSTM和GRU，预测北京市下一个小时，一周和一个月的污染。