正在加载中...

算法资料下载

查看算法配套 Word/PDF 资料的百度网盘和夸克网盘链接与提取码。

共 15 个算法 · 已配置资料 15 个
类目 全部 评价与决策分析 预测与时间序列 数学统计与计量金融 机器学习（监督学习） 聚类与降维（无监督） 深度学习与时序网络 自然语言处理（NLP） 异常检测 优化与多目标（智能优化） 灰色系统与模糊理论 可解释性与 AutoML 工具类(可视化,公式识别)及工具箱 计算机CV类
每条资料为网盘目录，目录内同时包含该算法的 Word 和 PDF 文件。提取码已直接显示，打开网盘后按提示提取即可；如链接失效，请联系售后支持。
No.022 资料已配置

BP神经网络

用于使用BP神经网络完成回归或分类建模，可辅助进行模型训练、预测和效果评估，适合具有明确目标变量的结构化数据分析；具体参数与输出以软件界面为准。

Word · 22-BP神经网络-20260801-062703.docx PDF · 22-BP神经网络-20260801-062703.pdf
查看资料详情 算法详情
No.062 资料已配置

BERT_Finetune-BERT 微调

用于文本分类，可对文本数据进行特征表示、训练或分析并输出相应结果，适合评论、问卷开放题和文档语料；具体模型参数与评价指标以软件界面为准。

Word · 62-BERT_Finetune-BERT 微调-20260801-062937.docx PDF · 62-BERT_Finetune-BERT 微调-20260801-062937.pdf
查看资料详情 算法详情
No.147 资料已配置

Autoformer-Autoformer

用于使用Autoformer建立深度学习时间序列模型，学习复杂的时序依赖并进行预测，适合样本量相对充足的连续序列；训练效果受数据规模、特征和参数影响。

Word · 147-Autoformer-Autoformer-20260801-061034.docx PDF · 147-Autoformer-Autoformer-20260801-061034.pdf
查看资料详情 算法详情
No.148 资料已配置

BiLSTM-双向 LSTM

用于使用双向 LSTM建立深度学习时间序列模型，学习复杂的时序依赖并进行预测，适合样本量相对充足的连续序列；训练效果受数据规模、特征和参数影响。

Word · 148-BiLSTM-双向 LSTM-20260801-061038.docx PDF · 148-BiLSTM-双向 LSTM-20260801-061038.pdf
查看资料详情 算法详情
No.149 资料已配置

CNN_LSTM-CNN–LSTM 混合

用于使用CNN–LSTM 混合建立深度学习时间序列模型，学习复杂的时序依赖并进行预测，适合样本量相对充足的连续序列；训练效果受数据规模、特征和参数影响。

Word · 149-CNN_LSTM-CNN–LSTM 混合-20260801-061041.docx PDF · 149-CNN_LSTM-CNN–LSTM 混合-20260801-061041.pdf
查看资料详情 算法详情
No.150 资料已配置

CNN1D-一维卷积神经网络

用于使用一维卷积神经网络建立深度学习时间序列模型，学习复杂的时序依赖并进行预测，适合样本量相对充足的连续序列；训练效果受数据规模、特征和参数影响。

Word · 150-CNN1D-一维卷积神经网络-20260801-061045.docx PDF · 150-CNN1D-一维卷积神经网络-20260801-061045.pdf
查看资料详情 算法详情
No.151 资料已配置

DeepAR-DeepAR

用于使用DeepAR建立深度学习时间序列模型，学习复杂的时序依赖并进行预测，适合样本量相对充足的连续序列；训练效果受数据规模、特征和参数影响。

Word · 151-DeepAR-DeepAR-20260801-065153.docx PDF · 151-DeepAR-DeepAR-20260801-065153.pdf
查看资料详情 算法详情
No.152 资料已配置

GRU-门控循环单元

用于使用门控循环单元建立深度学习时间序列模型，学习复杂的时序依赖并进行预测，适合样本量相对充足的连续序列；训练效果受数据规模、特征和参数影响。

Word · 152-GRU-门控循环单元-20260801-061052.docx PDF · 152-GRU-门控循环单元-20260801-061052.pdf
查看资料详情 算法详情
No.153 资料已配置

Informer-Informer

用于使用Informer建立深度学习时间序列模型，学习复杂的时序依赖并进行预测，适合样本量相对充足的连续序列；训练效果受数据规模、特征和参数影响。

Word · 153-Informer-Informer-20260801-061055.docx PDF · 153-Informer-Informer-20260801-061055.pdf
查看资料详情 算法详情
No.154 资料已配置

LSTM-长短期记忆网络

用于使用长短期记忆网络建立深度学习时间序列模型，学习复杂的时序依赖并进行预测，适合样本量相对充足的连续序列；训练效果受数据规模、特征和参数影响。

Word · 154-LSTM-长短期记忆网络-20260801-061059.docx PDF · 154-LSTM-长短期记忆网络-20260801-061059.pdf
查看资料详情 算法详情
No.155 资料已配置

MLP-多层感知机

用于使用多层感知机建立深度学习时间序列模型，学习复杂的时序依赖并进行预测，适合样本量相对充足的连续序列；训练效果受数据规模、特征和参数影响。

Word · 155-MLP-多层感知机-20260801-061103.docx PDF · 155-MLP-多层感知机-20260801-061103.pdf
查看资料详情 算法详情
No.156 资料已配置

NBEATS-N-BEATS

用于使用N-BEATS建立深度学习时间序列模型，学习复杂的时序依赖并进行预测，适合样本量相对充足的连续序列；训练效果受数据规模、特征和参数影响。

Word · 156-NBEATS-N-BEATS-20260801-061107.docx PDF · 156-NBEATS-N-BEATS-20260801-061107.pdf
查看资料详情 算法详情
No.157 资料已配置

TCN-时序卷积网络

用于使用时序卷积网络建立深度学习时间序列模型，学习复杂的时序依赖并进行预测，适合样本量相对充足的连续序列；训练效果受数据规模、特征和参数影响。

Word · 157-TCN-时序卷积网络-20260801-061110.docx PDF · 157-TCN-时序卷积网络-20260801-061110.pdf
查看资料详情 算法详情
No.158 资料已配置

TFT-Temporal Fusion Transformer

用于使用Temporal Fusion Transformer建立深度学习时间序列模型，学习复杂的时序依赖并进行预测，适合样本量相对充足的连续序列；训练效果受数据规模、特征和参数影响。

Word · 158-TFT-Temporal Fusion Transformer-20260801-061114.docx PDF · 158-TFT-Temporal Fusion Transformer-20260801-061114.pdf
查看资料详情 算法详情
No.159 资料已配置

TransformerTS-Transformer 时序

用于使用Transformer 时序建立深度学习时间序列模型，学习复杂的时序依赖并进行预测，适合样本量相对充足的连续序列；训练效果受数据规模、特征和参数影响。

Word · 159-TransformerTS-Transformer 时序-20260801-061117.docx PDF · 159-TransformerTS-Transformer 时序-20260801-061117.pdf
查看资料详情 算法详情
提取码已复制