麦肯锡关于大数据的预测报告，极度经典，与大家共享换点积分为了下载其他资源。

基于大数据，纯python编写，学习文娱两不误，与有疑问可联系我

接上文，本文介绍了CNN-LSTM模型实现单、多变量多时间步预测的家庭用电量预测任务。
文章目录1.CNN-LSTM1.1CNN模型1.2完整代码1.CNN-LSTM1.1CNN模型卷积神经网络（CNN）可用作编码器-解码器结构中的编码器。
CNN不直接支持序列输入；
相反，一维CNN能够读取序列输入并自动学习显着特征。
然后可以由LSTM解码器解释这些内容。
CNN和LSTM的混合模型称为CNN-LSTM模型，在编码器-解码器结构中一起使用。
CNN希望输入的数据具有与LSTM模型相同的3D结构，虽然将多个特征作为不同的通道读取，但效果相同。
为简化示例，重点放在具有单变量输

基于简单遗传算法的神经网络训练速度慢、易陷入局部极值,用具有较好的全局搜索能力自顺应遗传算法来优化神经网络权值和阈值,设计了基于自顺应遗传算法的BP神经网络的股票预测系统.该系统根据对股票历史数据分析,预测股价未来几天时间的走势.结果表明,改进算法具有很强的可行性和高效性.

无人驾驶车辆模型预测控制-龚建伟书中代码；
学习无人驾驶、路径规划、基于模型预测控制实现路径跟踪的入门书籍。
为了方便大家，本资源包含书中各章节的程序，欢迎大家下载，希望对大家有协助！

艾滋病疗法的评价及疗效的预测摘要艾滋病是至今人类仍未征服的疾病，流行发展趋势越来越严峻，攻克艾滋病是人类面临的一大难题。
本文给出了艾滋病患者的临床治疗数据，要考虑预测继续治疗的效果，并评价各种治疗方案优劣，预测即根据已有的数据信息推算将来的数据，评价方案的优劣属于决策类问题。
对问题（1），先分析CD4和HIV的浓度的变化趋势，建立微分方程模型，无法求解析解，用软件matlab求出CD4和HIV的参数表达式，从附件的数据信息中挖掘出具有普遍特征的数据，用回归法求参数的值，因为得到的表达式不是常规的形式，只能回归出HIV表达式的参数，CD4的无法求出。
作数据分布图，发现描出的形状同二次曲线的图形相近，二次曲线的图形特性符合CD4的浓度变化趋势。
于是建立待定系数的二次曲线方程模型，先拟合出多组参数值，再用回归法确定最后的值，得出的二次曲线方程。
根据HIV和CD4的浓度表达式结合可以作出提前终止治疗的预测，终止时间在第30周。
问题（2），预测四种疗法的继续治疗效果。
首先将患者按CD4初始浓度分类，仍引用前面的二次曲线模型，用附件二的数据回归出曲线方程的参数。
回归过程中考虑到是要评价不同的疗法，根据疗法的不同把数据分为四类，回归得出四组参数，相应的表达式就是这种疗法的CD4的浓度变化曲线方程。
比较四种疗法的优劣，采用CD4浓度最大值和取得最大值的时间为评判标准，结合更加细化的分类数据画出的图形，从理论上和直观上都证实了评价的结果：疗法4效果最好，疗法3次之，疗法2再次之，疗法1效果较差；
利用二次曲线模型得出最佳方案停止用药的最佳时间为20周，同时由分类法模型得出在四种不同CD4初始浓度的条件下最佳方案停止用药的最佳时间分别为：24周、16周、16周、24周。
两种模型的结果相接近。
问题（3）要考虑药品价格因素的影响，价格和药效的权重无法确定，通过假设权重参数来定量表示价格和药效的关系。
采用层次分析法构建层次结构模型，用特征向量归一化并求组合权向量，找到疗法功能和价格权重的关系。
根据不同经济状况的国家的价格权重的值不一样，得到不同的疗法评价结果。
总结出如下的结论：不发达国家经济落后，价格权重较大，疗法1的评价值较高，疗法4的评价值较低，适合疗法1，对于发达国家应当推广疗法4。
文章的最后对模型地优缺点进行了评价，并作了推广。
关键词艾滋病疗法评价微分方程二次曲线回归层次分析

在线评论的细粒度情感分析对于深刻理解商家和用户、挖掘用户情感等方面有至关重要的价值，并且在互联网行业有极其广泛的应用，次要用于个性化推荐、智能搜索、产品反馈、业务安全等。
本次比赛我们提供了一个高质量的海量数据集，共包含6大类20个细粒度要素的情感倾向。
参赛人员需根据标注的细粒度要素的情感倾向建立算法，对用户评论进行情感挖掘，组委将通过计算参赛者提交预测值和场景真实值之间的误差确定预测正确率，评估所提交的预测算法。

k-means离群点剔除法：次要运用聚类均值方法剔除数据中的离群点，增强模型预测的精度等，本文为matlab代码

时间序列是按时间顺序陈列的、随时间变化且相互关联的数据序列。
分析时间序列的方法构成数据分析的一个重要领域，即时间序列分析。
代码

压缩包内含：基于LSTM的股票价格预测_数据+代码+报告，可以最为数据挖掘的大作业。
股票作为人民金融投资的普遍方式，如何在股票中赚钱成为股民的共同目标。
要想在股票买卖中赚钱便要掌握股票的走势，因此股票价格预测工作引起社会及学术界的广泛关注。
股票的走势随市场变动，而且受诸多因素影响，如国际环境，政策变化，行业发展，市场情绪等等，这使得股民很难预测股票的走势。
理论上，根据股票以往的价格走势，可以预测股票的未来走势。
因为股票预测是高度非线性的，这就要预测模型要能够处理非线性问题，并且，股票具有时间序列的特性，因此适合用循环神经网络对股票进行预测。
虽然循环神经网络（RNN），允许信息的持久化，然而，一般的RNN模型对具备长记忆性的时间序列数据刻画能力较弱，在时间序列过长的时候，因为存在梯度消散和梯度爆炸现象RNN训练变得非常困难。
Hochreiter和Schmidhuber提出的长短期记忆（LongShort-TermMemory，LSTM）模型在RNN结构的基础上进行了改造，从而解决了RNN模型无法刻画时间序列长记忆性的问题。
因此，本文基于LSTM实现一个股票价格预测模型。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。