emilesib
/
MLA_Learn_Periodic_Functions
Vērot 1
Pievienot zvaigznīti 0
Atdalīts 0
Kods Problēmas 0 Izmaiņu pieprasījumi 0 Laidieni 0 Vikivietne Aktivitāte
Nevar pievienot vairāk kā 25 tēmas Tēmai ir jāsākas ar burtu vai ciparu, tā var saturēt domu zīmes ('-') un var būt līdz 35 simboliem gara.
50 Revīzijas
8 Atzari
Atzars: master
Atzari Tagi
${ item.name }
Izveidot atzaru ${ searchTerm }
no 'master'
${ noResults }
MLA_Learn_Periodic_Functions/code
Emile Siboulet c5295ce722 merge pirms 4 gadiem
..
.ipynb_checkpoints ajout du notebook pirms 4 gadiem
RNN_prediction_meteo ajout du notebook pirms 4 gadiem
RNN_wilshire_5000 ajout du notebook pirms 4 gadiem
fonctions_activations_classiques ajout du notebook pirms 4 gadiem
fonctions_activations_classiques_bis maj des fonctions d'activations classique pour nouveau tests pirms 4 gadiem
predictions_meteo Découpage du projet en 4 et implémentation des bases de données pirms 4 gadiem
resnet18 Mise à jour de 'code/resnet18/resnet18.py' pirms 4 gadiem
wilshire_5000 moved readme pirms 4 gadiem
README.md merge pirms 4 gadiem
notepad_siboulet.ipynb ajout du notebook pirms 4 gadiem

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