使用LSTM-ARIMA模型进行混合预测，ARIMA做线性部分的预测，LSTM做非线性部分

口语数字识别 :studio_microphone: LSTM语音数字识别 内容 概述 语音数字识别是一个隔离的单词识别系统，可转录0-9之间的各个语音号码。 数据集 使用免费语音数字数据集（FSDD）来训练该模型，该模型具有来自3位讲英语且带有重音的扬声器的1,500张录音。 该模型接受了1,470张唱片的训练，并在30张唱片上进行了测试。 模型与训练 该模型包括： LSTM层 全连接层 损失函数：分类交叉熵 优化算法：亚当 模型在300个时代进行了训练。 改进和要添加的功能 数据集需要更多不同类型的发言人，包括不同性别和不同口音的人，以便该系统在世界范围内正常运行 模型本身可以改进 使用更好的培训/测试策略 具有使用自己的声音来测试模型的界面，使前端易于与模型进行交互 改善模型性能 基本上，这是我的实验，旨在了解如何构建仅检测语音数字的语音识别系统。 用法 python spoke_digit.py为了运行

共视控制 Covid Control是一种免费且可评估的机器学习模型，可预测Covid19日案例（7天移动平均值）的未来数量。 使用LSTM和强化学习对非药物干预（NPI）进行量化。 利用机器学习挽救人类史无前例的全球健康能效新型冠状病毒（COVID-19）的生命，以帮助拉平曲线。 开发数据驱动的AI系统以预测感染率并制定区域政府，社区和组织可以实施的干预计划（IP）。 当国家重新开放经济和社会时，干预计划可以减少感染病例，最大程度地减少负面经济影响，并带来更好的结果。 动机：Covid19大流行React 3Blue1Brown的“指数增长和流行病” Covid19视频： 目标是开发一种机器学习模型，以预测未来全球Covid案例的数量： Part1预测器：LSTM长短期记忆预测器模型 使用LSTM长短期记忆以最高的准确性估算未来每天发生的COVID-19病例数，并开发了一种预测器模型

LSTM模型在C LSTM模型在C中的实现

在Google街景视图中进行虚拟漫步 在， 。 在隔离期间，由于COVID-19大流行，我们目前遇到的情况是，为了共同的福祉，我们减少了在街上自由活动的权利。 人们只能在杂货店等特定情况下外出。 在许多国家，许多边界都是封闭的，旅行被完全禁止。 Virtual Walks是一个使用Pose Estimation模型和LSTM神经网络一起在Google Street View中模拟步行的项目。 对于姿势估计，已修改了模型，而对于动作检测部分，已使用开发了LSTM模型。 该项目能够借助模拟世界各地的街道。 Tensorflow 2.0，Selenium和Python 3.7是该项目中使用的