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.
15 Commits
8 Ramas
Árbol: a2084c0a26
Ramas Etiquetas
${ item.name }
Crear rama ${ searchTerm }
desde 'a2084c0a26'
${ noResults }
MLA_Learn_Periodic_Functions/code
Doriand Petit a2084c0a26 moved readme hace 4 años
..
RNN correction des README hace 4 años
fonctions_activations_classiques correction des README hace 4 años
predictions_meteo Découpage du projet en 4 et implémentation des bases de données hace 4 años
wilshire_5000 moved readme hace 4 años
README.md moved readme 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

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