这里会显示出您选择的修订版和当前版本之间的差别。
两侧同时换到之前的修订记录 前一修订版 后一修订版 | 前一修订版 | ||
华为:华为 [2018/03/31 20:47] Chris [第十一天(2018年3月31日 周六)] |
华为:华为 [2021/02/17 22:16] (当前版本) |
||
---|---|---|---|
行 102: | 行 102: | ||
* clockwork rnn https://arxiv.org/abs/1402.3511 | * clockwork rnn https://arxiv.org/abs/1402.3511 | ||
* 目前看到的最好的RNN、LSTM、GRU博客:Understanding LSTM Networks(翻译) https://blog.csdn.net/xiaopihaierletian/article/details/71214160 | * 目前看到的最好的RNN、LSTM、GRU博客:Understanding LSTM Networks(翻译) https://blog.csdn.net/xiaopihaierletian/article/details/71214160 | ||
+ | * 手把手教你用 Python 实现针对时间序列预测的特征选择 https://www.leiphone.com/news/201703/6rVkgxvxUumnv5mm.html | ||
+ | ====== 第十二天 (2018年4月1日 周日) ====== | ||
+ | * 改用二次指数平滑,**分数提升至81.977,冲进前20名。** | ||
+ | * 【大数据部落】基于ARIMA、SVM、随机森林销售的时间序列预测 https://blog.csdn.net/qq_19600291/article/details/74217896 | ||
+ | * 手把手教你用 Python 实现针对时间序列预测的特征选择 https://www.leiphone.com/news/201703/6rVkgxvxUumnv5mm.html | ||
+ | ====== 第十三天(2018年4月2日 周一) ====== | ||
+ | * 随机森林random forest及python实现 https://blog.csdn.net/rosefun96/article/details/78833477 | ||
+ | * Python中利用LSTM模型进行时间序列预测分析 https://www.cnblogs.com/arkenstone/p/5794063.html | ||
+ | * 零基础入门深度学习(6) - 长短时记忆网络(LSTM) https://zybuluo.com/hanbingtao/note/581764 | ||
+ | * 如何在Python中从零开始实现随机森林 https://cloud.tencent.com/developer/article/1043093 | ||
+ | * Tensorflow实例:利用LSTM预测股票每日最高价(二) https://blog.csdn.net/mylove0414/article/details/56969181 | ||
- | + | ====== 后记 ====== | |
+ | * 2018年4月9日:[python] 时间序列分析之ARIMA https://blog.csdn.net/u010414589/article/details/49622625 |