Deep Learning for Time Series Forecasting: Predict the Future with MLPs, CNNs and LSTMs in Python » MIRLIB.RU - ТВОЯ БИБЛИОТЕКА
Регистрация
Конспект-довідник з хімії Конспект-довідник з хімії Черноморская Атлантида Черноморская Атлантида Очерки по источниковедению Сибири. Выпуск 1. XVII век (2-ое изд., исправ. и дополн.) Очерки по источниковедению Сибири. Выпуск 1. XVII век (2-ое изд., исправ. и дополн.) Cybersecurity and Artificial Intelligence: Transformational Strategies and Disruptive Innovation Cybersecurity and Artificial Intelligence: Transformational Strategies and Disruptive Innovation Хімія. Довідник для абітурієнтів та школярів Хімія. Довідник для абітурієнтів та школярів Security Challenges with Blockchain Security Challenges with Blockchain The Road to React: The React.js in JavaScript Book (2024 Edition) The Road to React: The React.js in JavaScript Book (2024 Edition) Designing to FIPS-140: A Guide for Engineers and Programmers Designing to FIPS-140: A Guide for Engineers and Programmers Modeling Neural Circuits Made Simple with Python Modeling Neural Circuits Made Simple with Python Сбережение охотничьего ружья Сбережение охотничьего ружья Бог не в силе, а в правде Бог не в силе, а в правде Цифровая трансформация бизнеса. Практические советы для первых лиц компаний Цифровая трансформация бизнеса. Практические советы для первых лиц компаний Nortena: Authentic Family Recipes From Northern Mexico Nortena: Authentic Family Recipes From Northern Mexico Рецепты Python. Коллекция лучших техник программирования Рецепты Python. Коллекция лучших техник программирования Introduction to Linear Optimization Introduction to Linear Optimization An Invitation to Health (MindTap Course List), 20th Edition An Invitation to Health (MindTap Course List), 20th Edition
Конспект-довідник з хімії Конспект-довідник з хімії Черноморская Атлантида Черноморская Атлантида Очерки по источниковедению Сибири. Выпуск 1. XVII век (2-ое изд., исправ. и дополн.) Очерки по источниковедению Сибири. Выпуск 1. XVII век (2-ое изд., исправ. и дополн.) Cybersecurity and Artificial Intelligence: Transformational Strategies and Disruptive Innovation Cybersecurity and Artificial Intelligence: Transformational Strategies and Disruptive Innovation Хімія. Довідник для абітурієнтів та школярів Хімія. Довідник для абітурієнтів та школярів Security Challenges with Blockchain Security Challenges with Blockchain The Road to React: The React.js in JavaScript Book (2024 Edition) The Road to React: The React.js in JavaScript Book (2024 Edition) Designing to FIPS-140: A Guide for Engineers and Programmers Designing to FIPS-140: A Guide for Engineers and Programmers Modeling Neural Circuits Made Simple with Python Modeling Neural Circuits Made Simple with Python Сбережение охотничьего ружья Сбережение охотничьего ружья Бог не в силе, а в правде Бог не в силе, а в правде Цифровая трансформация бизнеса. Практические советы для первых лиц компаний Цифровая трансформация бизнеса. Практические советы для первых лиц компаний Nortena: Authentic Family Recipes From Northern Mexico Nortena: Authentic Family Recipes From Northern Mexico Рецепты Python. Коллекция лучших техник программирования Рецепты Python. Коллекция лучших техник программирования Introduction to Linear Optimization Introduction to Linear Optimization An Invitation to Health (MindTap Course List), 20th Edition An Invitation to Health (MindTap Course List), 20th Edition
Категория: КНИГИ » ПРОГРАММИРОВАНИЕ
Deep Learning for Time Series Forecasting: Predict the Future with MLPs, CNNs and LSTMs in Python
Добавил: buratino / 31-03-2020, 13:52 /
Название: Deep Learning for Time Series Forecasting: Predict the Future with MLPs, CNNs and LSTMs in Python
Автор: Jason Brownlee
Издательство: Machine Learning Mastery Pty. Ltd.
Год: 2018
Формат: True PDF
Страниц: 574
Размер: 13.9 Mb
Язык: English

Deep learning methods offer a lot of promise for time series forecasting, such as the automatic learning of temporal dependence and the automatic handling of temporal structures like trends and seasonality. With clear explanations, standard Python libraries, and step-by-step tutorial lessons you’ll discover how to develop deep learning models for your own time series forecasting projects.




[related-news]

Похожие публикации

    {related-news}
[/related-news]
Комментарии 0
Комментариев пока нет. Стань первым!