emilesib
/
MLA_Learn_Periodic_Functions
Segui 1
Vota 0
Forka 0
Codice Problemi 0 Pull Requests 0 Rilasci 0 Wiki Attività
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 Commit
8 Rami (Branch)
Ramo (Branch): master
Rami (Branch) Tag
${ item.name }
Crea branch ${ searchTerm }
da 'master'
${ noResults }
MLA_Learn_Periodic_Functions/code
Emile Siboulet c5295ce722 merge 4 anni fa
..
.ipynb_checkpoints ajout du notebook 4 anni fa
RNN_prediction_meteo ajout du notebook 4 anni fa
RNN_wilshire_5000 ajout du notebook 4 anni fa
fonctions_activations_classiques ajout du notebook 4 anni fa
fonctions_activations_classiques_bis maj des fonctions d'activations classique pour nouveau tests 4 anni fa
predictions_meteo Découpage du projet en 4 et implémentation des bases de données 4 anni fa
resnet18 Mise à jour de 'code/resnet18/resnet18.py' 4 anni fa
wilshire_5000 moved readme 4 anni fa
README.md merge 4 anni fa
notepad_siboulet.ipynb ajout du notebook 4 anni fa

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