整个学习过程主要参考公众号推文和博客推文，代码不详述，会放链接，主要梳理理解和实现时参考的资料！！！感觉还有一些地方没太懂~~~

 LSTM

1. LSTM的理解，参考（整体理解LSTM如何工作）：

【大模型基础篇-LSTM】深入浅出讲解长短时记忆神经网络（结构、原理）

LSTM（长短期记忆网络）及其tensorflow代码应用 - 禅在心中 - 博客园

2. LSTM代码实现，参考：

2.1 输入数据格式理解：【Python时序预测系列】一文搞明白时序数据输入到LSTM模型的格式（案例解读）
漂亮，LSTM模型结构的可视化

2.2 多输入多步输出和多输入单步输出理解：

【Python时序预测系列】基于LSTM实现多输入多输出单步预测（案例+源码）

 【Python时序预测系列】基于LSTM实现时序数据多输入多输出多步预测（案例+源码）

 2.3 具体代码实现，完全参考（Python中，tensorflow安装2.7版，一开始主要卡在包的不兼容，顺利导入后，理解代码，按步骤操作可顺利运行）：

使用 LSTM 进行多变量时间序列预测的保姆级教程

3. 参数理解与优化【该部分并没有完全理解！！！】

比如单元数？以及批次大小（batch_size）？看完下面这篇博文更迷惑了？batch_size到底是什么意思？

PYTHON用LSTM长短期记忆神经网络的参数优化方法预测时间序列洗发水销售数据

暂且理解【AI解释】：

• Epochs‌：Epochs指所有数据遍历一次网络的过程。在模型训练中，设置epochs=20意味着整个训练数据集将被遍历20次，每次遍历都会进行一次完整的前向计算和反向传播，以更新神经网络的权重。

• ‌Batch Size‌：Batch Size定义每次训练的数据子集数量。设置batch_size=32表示在每次迭代中，将有32个样本被送入网络进行训练。这样做有助于减轻计算机处理大量数据的负担，同时有助于模型更快地收敛。

• 神经元数，LSTM（长短期记忆网络）中神经单元数通常指的是LSTM单元内隐藏层的尺寸，即每个LSTM单元中前馈网络层的神经元数量。这个参数决定了网络的复杂性和学习能力‌

SVR

1.SVR原理理解：

机器学习专题（十三）：支持向量机回归SVR

2.R语言代码实现：

机器学习（R语言）——用支持向量机回归（SVR）预测大气污染物浓度

 总结：只是大概明白每种方法如何工作，但具体每种方法背后的原理未搞清楚~