BP神经网络实现汽油辛烷值预测，《MATLAB源码+数据集》代码亲测可用，代码中一共提供了60个样本，其中50个样本作为训练，10个样本作为测试，代码都是经过调节的，可以更换自己想预测的相关数据，比如污水预测，车流量，预测未来成绩等等。

【内容介绍】 python，sklearn机器学习，logstic等各种回归常用的鸢尾花数据集，含训练集和测试集，csv格式，其中训练集包含鸢尾花特征及标签数据120组，测试集包含特征及标签数据30组。 【适用场景】 需要一些练手分类数据集或采用sklearn下载相关数据集遇到问题的python机器学习初学阶段 【所需条件】 建议使用pandas等python表格数据工具包进行导入，数据格式为常见的csv表格形式

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。要想在股票交易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（ Long Short-Term Memory，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。

实战KAGGLE⽐赛：房价预测： 作为深度学习基础篇章的总结，动⼿实战⼀个Kaggle⽐赛：房价预测。 本节将提供未经调优的数据的预处理、模型的设计和超参数的选择。 https://blog.csdn.net/yohnyang/article/details/126883147

提供的数据均来自UCI数据库，可以打开其官网链接下载。使用请标明出处。CSDN Allow-er的博客。

天池新人实战赛o2o优惠券使用预测

机器学习笔记

汽车目的地智能预测数据集.7z

PM2.5预测数据集（含气象特征，8w条数据）.zip

主要使用LSTM长短时记忆模型，ARIMA时序模型.autoTS模块预测等，配有运行好的jupter notebook,完整配套解题源码，可视化代码以及可视化资料（seaburn.plotly,matplotlib...)，预测源数据以及预测数据结果，突变量级结果，缺失值处理，多指标模型评价等