股票
-
R语言实现拟合神经网络预测和结果可视化
神经网络一直是迷人的机器学习模型之一，不仅因为花哨的反向传播算法，而且还因为它们的复杂性（考虑到许多隐藏层的深度学习）和受大脑启发的结构。 神经网络并不总是流行，部分原因是它们在某…
-
用TensorFlow实现MNIST神经网络
这里，我们用TensorFlow实现一个3层，即输入层、隐藏层、输出层的神经网络。 引入相关模块 # tensorflow 自带mnist模块 from tensorflow.ex…
-
用R语言实现神经网络预测股票实例
神经网络是一种基于现有数据创建预测的计算系统。 如何构建神经网络？ 神经网络包括： 输入图层：根据现有数据获取输入的图层 隐藏图层：使用反向传播优化输入变量权重的图层，以提高模型的…
-
基于keras平台CNN神经网络模型的服装识别分析
在许多介绍图像识别任务的介绍中，通常使用着名的MNIST数据集。但是，这些数据存在一些问题： 1.太简单了。例如，一个简单的MLP模型可以达到99％的准确度，而一个2层CNN可以达…
-
R语言深度学习不同模型对比分析案例
介绍 深度学习是机器学习最近的一个趋势，模拟高度非线性的数据表示。在过去的几年中，深度学习在各种应用中获得了巨大的发展势头（Wikipedia 2016a）。其中包括图像和语音识别…
-
sas神经网络：构建人工神经网络模型来识别垃圾邮件
神经网络是一种非常通用的灵活预测模型，可用于解决各种问题，包括分类，降维和回归。 现实世界中的一些业务应用示例包括图像处理，医疗诊断，金融服务和欺诈检测。此样本说明如何使用SAS®…
-
Python安装TensorFlow 2、tf.keras和深度学习模型的定义
深度学习的预测建模是现代开发人员需要了解的一项技能。 TensorFlow是Google开发和维护的首要的开源深度学习框架。尽管直接使用TensorFlow可能具有挑战性，但现代的…
-
TensorFlow 2keras开发深度学习模型实例：多层感知器（MLP），卷积神经网络（CNN）和递归神经网络（RNN）
在本文中，您将发现如何使用标准深度学习模型（包括多层感知器（MLP），卷积神经网络（CNN）和递归神经网络（RNN））开发，评估和做出预测。 开发多层感知器模型 多层感知器模型（简…
-
用R语言中的神经网络预测时间序列：多层感知器和极限学习机
对于此示例，我将对R中的时间序列进行建模。我将最后24个观察值保留为测试集，并将使用其余的观察值来拟合神经网络。当前有两种类型的神经网络可用，多层感知器；和极限学习机。 # 拟合 …
-
深度学习：Keras使用神经网络进行简单文本分类分析新闻组数据
深度学习无处不在。在本文中，我们将使用Keras进行文本分类。 准备数据集 出于演示目的，我们将使用 20个新闻组 数据集。数据分为20个类别，我们的工作是预测这些类别。如下所…
-
Python中利用长短期记忆模型LSTM进行时间序列预测分析 – 预测电力负荷数据
此示例中，神经网络用于使用2011年4月至2013年2月期间的数据预测公民办公室的电力消耗。 每日数据是通过总计每天提供的15分钟间隔的消耗量来创建的。 LSTM简介 LSTM（或…
-
Python中TensorFlow的长短期记忆神经网络(LSTM)、指数移动平均法预测股票市场和可视化
本文探索Python中的长短期记忆（LSTM）网络，以及如何使用它们来进行股市预测。 在本文中，你将看到如何使用一个被称为长短时记忆的时间序列模型。LSTM模型很强大，特别是在保留…
