问题:航班乘客预测 数据:1949 到 1960 一共 12 年,每年 12 个月的数据,一共 144 个数据,单位是 1000 下载地址 目标:预测国际航班未来 1 个月的乘客数 import numpy import matplotlib.pyplot as plt from pandas import read_csv import math from keras.models import Sequential from keras.layers import Dense from ke

前言: 自己很喜欢MACD这个指标,因为很欠缺所以就搜集的多一点,有人问,学习缠为什么还这么搜集些Macd的资料呢?因为在分析走势(或盘整背驰.或趋势背驰)的时候我的习惯使用Macd做辅助判断,所以Macd这关的基本差不多,得能大概的过滤其中的冗余信息和骗线,结合走势辅助Macd更好的进步. ============================================================================== 杀多点:概念:当绿柱逐渐收敛.缩短,快接近0轴的

<异动K线--庄家破绽(连载)> http://bbs.tianya.cn/post-stocks-612892-1.shtml ————马后炮分析,没有什么前瞻性.纯技术是害死许多钻牛角的股民． ————最后的总结很重要   给我一张K线图,我将知道庄家要干什么.这句话听起来似乎觉得有点狂妄,甚至觉得幼稚.毕竟对大多数投资者来说,股票的好坏由基本面决定,大势的好坏由经济环境决定.但在这里我们可以仔细想一下,所有的这些无论是基本面还是经济环境,在股市以什么方式表现出来呢?回答肯定是K线,因为无

证券市场介入门槛低,是众多普通投资者希望实现自己的“中国梦”的首选场所,无论牛市熊市,源源不断的参与者前赴后继.在沪深A股这样一个大众市场,每年都在上演着七亏两平一赚的悲喜剧,赚钱的永远是少数人,但众多年收益200%.连抓涨停板的梦想永不破灭,希望--这是人类进步的源动力. 在证券市场摸爬滚打十余年,见到的套牢.割肉.暴涨.卖飞等悲喜剧一幕幕重演,由于这样的市场基本是零和游戏,亏钱的注定是大多数,但赚钱的也并非没有,持续赚钱的当属凤毛麟角,他们可以归属为以下五类: 一.精通技术分析的短中线投资者

RESCALING attribute data to values to scale the range in [0, 1] or [−1, 1] is useful for the optimization algorithms, such as gradient descent, that are used within machine learning algorithms that weight inputs (e.g. regression and neural networks).

单策略单品种单策略多品种多策略单品种和加仓多策略多品种静态仓位和动态仓位 金肯特钠(kingKeltner)布林强盗(BollingerBandit)动态突破(DynamicBreakOutII)恒温器(Thermostat)幽灵交易者(ghostTrader) 均线交叉与通道突破相结合的交易策略(Moving Average CrossOver)均线和K线形态的高低点突破系统(Escalator trading system)基于置换均线的二次穿越突破系统(Double your Fun)基于

目录 Improvise a Jazz Solo with an LSTM Network Packages 1 - Problem Statement 1.1 - Dataset What are musical "values"? (optional) Music as a sequence of values 1.2 - Model Overview Overview of Section 2 and 3 Sequence generation uses a for-loop S

时间序列模型 时间序列预测分析就是利用过去一段时间内某事件时间的特征来预测未来一段时间内该事件的特征.这是一类相对比较复杂的预测建模问题,和回归分析模型的预测不同,时间序列模型是依赖于事件发生的先后顺序的,同样大小的值改变顺序后输入模型产生的结果是不同的. 举个栗子:根据过去两年某股票的每天的股价数据推测之后一周的股价变化:根据过去2年某店铺每周想消费人数预测下周来店消费的人数等等 RNN 和 LSTM 模型 时间序列模型最常用最强大的的工具就是递归神经网络(recurrent neural n

原文链接:http://colah.github.io/posts/2015-08-Understanding-LSTMs/ 吴恩达版:http://www.ai-start.com/dl2017/html/lesson5-week1.html#header-n375 Recurrent Neural Networks 人类并不是每时每刻都从一片空白的大脑开始他们的思考.在你阅读这篇文章时候,你都是基于自己已经拥有的对先前所见词的理解来推断当前词的真实含义.我们不会将所有的东西都全部丢弃,然后用

1. 背景介绍 文本情感分析是在文本分析领域的典型任务,实用价值很高.本模型是第一个上手实现的深度学习模型,目的是对深度学习做一个初步的了解,并入门深度学习在文本分析领域的应用.在进行模型的上手实现之前,已学习了吴恩达的机器学习和深度学习的课程,对理论有了一定的了解,感觉需要来动手实现一下了.github对应网址https://github.com/ble55ing/LSTM-Sentiment_analysis LSTM(Long Short-Term Memory)是长短期记忆网络,在自然语

最近看了不少关于写诗的博客,在前人的基础上做了一些小的改动,因比较喜欢一次输入很长的开头句,所以让机器人输出压缩为一个开头字生成两个诗句,写五言和七言诗,当然如果你想写更长的诗句是可以继续改动的. 在输入做了些改动,去除误输入的标点符号,例如输入下面词句: 怒发冲冠,凭栏处,潇潇雨歇.抬望眼,仰天长啸,壮怀激烈. 机器人写出如下: 怒漠多无度袍小,巡管山明恰见偷. 发杵共鸿莼散暮,家山曾住上阳台. 冲钩麻衣隐步障,楼舟复别赤轮楼. 冠盘一线倾中令,音信长思两足阴. 凭栏十字送月沈,莫待长筵韦与兵

From: Predicting Movie Review Sentiment with TensorFlow and TensorBoard Ref: http://www.cnblogs.com/libinggen/p/6939577.html Ref: https://machinelearningmastery.com/sequence-classification-lstm-recurrent-neural-networks-python-keras/ 使用LSTM的原因之一是: 解决

1. 购物时间预测 http://www.cnblogs.com/arkenstone/p/5794063.html https://github.com/CasiaFan/time_seires_prediction_using_lstm 2.  简单实例 #!/usr/bin/env python # coding=utf- import numpy as np from keras.models import Sequential from keras.layers import Dens

http://magicly.me/2017/04/07/rnn-lstm-generate-name/?utm_source=tuicool&utm_medium=referral 之前翻译了一篇介绍RNN的文章,一直没看到作者写新的介绍LSTM的blog,于是我又找了其他资料学习.本文先介绍一下LSTM,然后用LSTM在金庸.古龙的人名上做了训练,可以生成新的武侠名字,如果有兴趣的,还可以多搜集点人名,用于给小孩儿取名呢,哈哈,justforfun,大家玩得开心… RNN回顾 RNN的出现是

目录 基于 Keras 用 LSTM 网络做时间序列预测 问题描述 长短记忆网络 LSTM 网络回归 LSTM 网络回归结合窗口法 基于时间步的 LSTM 网络回归 在批量训练之间保持 LSTM 的记忆 在批量训练中堆叠 LSTM 网络 总结 扩展阅读 本文主要参考了 Jason Brownlee 的博文 Time Series Prediction with LSTM Recurrent Neural Networks in Python with Keras 原文使用 python 实现模型

0.开始训练之前先要做些什么? 在开始调参之前,需要确定方向,所谓方向就是确定了之后,在调参过程中不再更改 1.根据任务需求,结合数据,确定网络结构. 例如对于RNN而言,你的数据是变长还是非变长:输入输出对应关系是many2one还是many2many等等,更多结构参考如下 非RNN的普通过程,从固定尺寸的输入到固定尺寸的输出(比如图像分类)输出是序列(例如图像标注:输入是一张图像,输出是单词的序列)输入是序列(例如情绪分析:输入是一个句子,输出是对句子属于正面还是负面情绪的分类)输入输出都是

前言 在三大特征提取器中,我们已经接触了LSTM/CNN/Transormer三种特征提取器,这一节我们将介绍如何使用BiLSTM实现序列标注中的命名实体识别任务,以及Lattice-LSTM的模型原理. 本文提到的模型在我的Github中均有相应代码实现(Lattice LSTM之后更新) BiLSTM 对于LSTM我就不再多做介绍了,想要了解的小伙伴可以看我之前的文章.BiLSTM就是双向LSTM,正向和反向提取句子信息,将正向和反向输出拼接在一起组成模型输出. 既然我们将BiLSTM看作特

#时间序列预测分析就是利用过去一段时间内某事件时间的特征来预测未来一段时间内该事件的特征.这是一类相对比较复杂的预测建模问题,和回归分析模型的预测不同,时间序列模型是依赖于事件发生的先后顺序的,同样大小的值改变顺序后输入模型产生的结果是不同的. #时间序列模型最常用最强大的的工具就是递归神经网络(recurrent neural network, RNN).相比与普通神经网络的各计算结果之间相互独立的特点,RNN的每一次隐含层的计算结果都与当前输入以及上一次的隐含层结果相关.通过这种方法,RNN

前言 目录: RNN提出的背景 - 一个问题 - 为什么不用标准神经网络 - RNN模型怎么解决这个问题 - RNN模型适用的数据特征 - RNN几种类型 RNN模型结构 - RNN block - 简化符号表示 - stacked RNN - 双向RNN - 梯度消失爆炸问题 GRU模型结构 LSTM模型结构 - LSTM背后的关键思想 - Step by Step理解LSTM 本文可以解答: RNN用来解决什么问题,什么样的数据特征适合用它来解决 ​RNN的缺陷是什么,LSTM,GRU是如何

本篇文章被Google中国社区组织人转发,评价: 条理清晰,写的很详细! 被阿里算法工程师点在看! 所以很值得一看! 前言 目录: RNN提出的背景 - 一个问题 - 为什么不用标准神经网络 - RNN模型怎么解决这个问题 - RNN模型适用的数据特征 - RNN几种类型 RNN模型结构 - RNN block - 简化符号表示 - stacked RNN - 双向RNN - 梯度消失爆炸问题 GRU模型结构 LSTM模型结构 - LSTM背后的关键思想 - Step by Step理解LSTM