emilesib
/
MLA_Learn_Periodic_Functions
Seguir 1
Destacar 0
Fork 0
Código Incidencias 0 Peticiones pull 0 Lanzamientos 0 Wiki Actividad
You can not select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
50 Commits
8 Ramas
Rama: master
Ramas Etiquetas
${ item.name }
Crear rama ${ searchTerm }
desde 'master'
${ noResults }
MLA_Learn_Periodic_Functions/code
Emile Siboulet c5295ce722 merge hace 4 años
..
.ipynb_checkpoints ajout du notebook hace 4 años
RNN_prediction_meteo ajout du notebook hace 4 años
RNN_wilshire_5000 ajout du notebook hace 4 años
fonctions_activations_classiques ajout du notebook hace 4 años
fonctions_activations_classiques_bis maj des fonctions d'activations classique pour nouveau tests hace 4 años
predictions_meteo Découpage du projet en 4 et implémentation des bases de données hace 4 años
resnet18 Mise à jour de 'code/resnet18/resnet18.py' hace 4 años
wilshire_5000 moved readme hace 4 años
README.md merge hace 4 años
notepad_siboulet.ipynb ajout du notebook hace 4 años

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

RNN_*

Nécessite la librairie Optuna (https://optuna.org/) pour fonctionner

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