emilesib
/
MLA_Learn_Periodic_Functions
Suivre 1
Ajouter aux favoris 0
Bifurcation 0
Code Tickets 0 Demandes d'ajout 0 Versions 0 Wiki Activité
Vous ne pouvez pas sélectionner plus de 25 sujets Les noms de sujets doivent commencer par une lettre ou un nombre, peuvent contenir des tirets ('-') et peuvent comporter jusqu'à 35 caractères.
15 Révisions
8 Branches
Branche: Doriand_2
Branches Tags
${ item.name }
Créer la branche ${ searchTerm }
de 'Doriand_2'
${ noResults }
MLA_Learn_Periodic_Functions/code
Doriand Petit a2084c0a26 moved readme il y a 4 ans
..
RNN correction des README il y a 4 ans
fonctions_activations_classiques correction des README il y a 4 ans
predictions_meteo Découpage du projet en 4 et implémentation des bases de données il y a 4 ans
wilshire_5000 moved readme il y a 4 ans
README.md moved readme il y a 4 ans

README.md

Répartition des codes

fonctions_activations_classiques

Ce code démontre la mauvaise généralisation des fonctions d’activations classiques à des signaux périodiques.

Il tente de reproduire la figure de l’introduction

wilshire_5000

Prédiction des données financières à partir de l’index Wilshire5000

Classical Installations Required : numpy, pandas, tensorflow and matplotlib (and warnings)

Other Installation : statsmodels for ARIMA predictions (pip install statsmodels)

Le notebook est une démo du fonctionnement des fonctions. Le fichier wilshire.py s’occupe du pré-processing des données et parsing. Le fichier nn.py s’occupe de la partie DeepLearning, ainsi que les prédictions ARIMA et finalement plot les fonctions.

Données

Données