- 综合排序
- 最热优先
- 最新优先
- 来自专栏数据STUDIO
经典时间序列模型 DeepAR 预测股票趋势
该机制可使模型关注时间序列的相关部分，并根据数据中存在的模式动态调整其关注度。 分位数损失训练：DeepAR 采用概率方法进行训练，以最小化分位数损失。 现在，我们将通过定义 DeepAR 估计模型的各种超参数来初始化该模型，具体参数如下： freq：该参数定义时间序列数据的频率。 DeepAR 预测股票 DeepAR 建立了一个全局模型，适用于多步骤预测、多序列预测，并能提供具有不确定性的预测。我们用沃尔玛商店每周销售额的多个时间序列测试了 DeepAR 的预测能力。 DeepAR是亚马逊推出的一种基于神经网络的概率性时间序列预测模型，它专门针对具有类似趋势和周期性的多元时间序列数据进行了优化，非常适合对一篮子股票的联合价格序列进行建模和预测。 在验证时间序列模型时，我们会使用测试数据集进行预测，并评估预测性能。这个过程可以封装在“make_evaluation_prediction”函数中。
1.3K11编辑于 2024-05-22 - 来自专栏深度学习
序列生成模型（一）：序列概率模型
序列概率模型的两个基本问题 序列概率模型与一般的概率模型类似，主要面临两个基本问题： 概率密度估计（Probability Density Estimation）： 问题描述： 给定一组序列数据 应用： 样本生成在生成式模型中非常重要，例如，在自然语言生成、图像生成、音乐生成等任务中，我们希望模型能够生成符合特定规律或者语境的新序列。 解决这两个问题的方法通常依赖于具体的序列概率模型。 这些模型在深度学习中被广泛应用，能够学习并捕捉序列数据中的复杂关系，从而进行概率密度估计和样本生成。 一、序列概率模型 1. N元统计模型使用 N 元语法模型来建模条件概率。 深度序列模型： 基于深度学习的方法，使用神经网络来建模条件概率。 深度序列模型通常能够更灵活地捕捉序列中的复杂关系，但在某些情况下，N元统计模型可能仍然是一个有效的选择。 2. 序列生成
82310编辑于 2024-07-30 - 来自专栏钱塘大数据
10大经典管理分析模型，让工作事半功倍
模型分析法就是依据各种成熟的、经过实践论证的管理模型对问题进行分析的方法。 这些管理模型有的是由高校研究机构建立的,也有一部分是由大企业或者管理咨询机构建立的,它们在长时间的企业管理理论研究和实践过程中,将企业经营管理中一些经典的相关关系以一个固定模型的方式描述出来,揭示企业系统内部很多本质性的关系 4、SCP分析模型 SCP（structure、conduct、performance）模型，分析在行业或者企业收到表面冲击时，可能的战略调整及行为变化。 9、价值链模型 价值链模型最早是由波特提出的。 10、ROS/RMS矩阵 ROS/RMS（Return Of Sales/Relative Market Share）矩阵也称做销售回报和相对市场份额矩阵，主要是用来分析企业的不同业务单元或产品的发展战略
4.3K70发布于 2018-03-06 - 来自专栏全栈程序员必看
CNN经典模型汇总
本文主要对CNN领域的经典模型进行汇总，算是对近期的学习做一个小总结。 CNN模型汇总 一、LeNet5 模型 LeNet5 诞生于 1994 年，是最早的卷积神经网络之一，并且推动了深度学习领域的发展。 之后一切变得清晰起来…… 二、AlexNet 模型 2012年，Hinton的学生Alex Krizhevsky提出了深度卷积神经网络模型AlexNet，它可以算是LeNet的一种更深更宽的版本。 进行预测时，则是取图片的四个角加中间共5个位置，并进行左右翻转，一共获得10张图片，对他们进行预测并对10次结果求均值。 3×3 过滤器（filter），并把它们组合作为一个卷积序列进行处理的网络。
3.2K20编辑于 2022-08-02 - 来自专栏Michael阿明学习之路
05.序列模型 W1.循环序列模型
为什么选择序列模型 2. 数学符号 3. 循环Recurrent 神经网络模型 4. 通过时间的反向传播 5. 不同类型的循环神经网络 6. 语言模型和序列生成 7. 对新序列采样 8. 为什么选择序列模型 ? 有些问题，输入数据 X 和 输出数据 Y 都是序列，X 和 Y 有时也会不一样长。在另一些问题里，只有 X 或 只有 Y 是序列 2. 数学符号 ? ? 3. 对新序列采样 训练一个序列模型之后，要想了解到这个模型学到了什么，一种非正式的方法就是进行一次新序列采样 ? 以上是基于词汇的RNN模型，还可以基于字符 基于字符 优点：不必担心会出现未知的标识 缺点：会得到太多太长的序列，大多数英语句子只有10到20个的单词，但却可能包含很多很多字符。 还有比较经典的是LSTM，即长短时记忆网络，见下节 10.
61310发布于 2021-02-19 - 来自专栏Duncan's Blog
记录几个经典模型
. - 加法模型 模型最终可描述为:$F_M(x)=\sum_{m=1}^{M}T(x;\theta_{m})$ 模型一共训练M轮,每轮产生一个弱分类器$T(x;\theta_m)$,弱分类器的损失函数 1.结合了多个弱分类器,是集成学习,所以泛化能力和准确率更高 2.SVM对于训练集不同的维度,数据量的大小,核函数的选择直接决定了模型的训练效果.gbdt相较于SVM和LR更不容易过拟合,因为它的超参学习能力较好 1.框架参数 步长 - 选择一个较大的步长 迭代次数或者说学习器的个数 - 100左右 学习率$\eta$ 损失函数 - 分类问题和回归问题不一样(分类问题有对数似然和指数似然函数;回归模型有均方误差, 绝对损失,Huber损失和分位数损失) 2.弱学习器参数 树的深度 - 10-100 最大特征数 - 划分时考虑的最大特征数 最小叶子结点样本数 最大叶子结点个数 - 限制最大叶子结点数,防止过拟合 2.8 1.优点 泛化能力强,不容易过拟合 不需要复杂的特征工程 2.缺点 难以实行并行化 模型复杂度较高,深入分析和调优有一定难度 2.XgBoost(Extreme Gradient Boosting) 1
93720发布于 2018-09-04 - 来自专栏人工智能与演化计算成长与进阶
序列模型1.1-1.2序列模型及其数学符号定义
1.1 什么是序列模型 在进行语音识别时，给定了一个输入音频片段 X，并要求输出片段对应的文字记录 Y，这个例子中的输入和输出都输序列数据。 情感分类问题中，输入是一串文字，输出是情感的评价 DNA 序列分析问题中，输入是一段 DNA 序列，用来标记出 DNA 序列的那些片段是用于匹配蛋白质的。 在命名实体识别问题中，会给定一个句子，要求识别出句子中的人名 虽然都是序列模型，但是序列问题存在着差异，例如:有的是输入数据是一个序列，而输出不是序列。有的是输出数据是一个序列，而输入不是一个序列。 1.2 序列模型数学符号定义 示例：命名实体识别 Name entity recognition system 输入: Harry Potter and Hermione Granger invented 假设设定模型的输出是一个与输入句式对应的序列，即通过 0 或 1 来表示输入的句式中的单词是否是人名或地名的一部分。例如 Y: 1 1 0 1 1 0 0 0 0 。
1.1K10发布于 2020-08-14 - 来自专栏LhWorld哥陪你聊算法
【神经网络篇】--基于数据集cifa10的经典模型实例
一、前述 本文分享一篇基于数据集cifa10的经典模型架构和代码。 import cifar10 from tutorials.image.cifar10 import cifar10_input # 本节使用的数据集是CIFAR-10，这是一个经典的数据集，包含60000 # Alex在ImageNet（上百万张图片）数据集上的实验表明，使用LRN后CNN在Top1的错误率可以降低1.4%，因此其在经典AlexNet中使用了LRN层 # LRN对ReLU这种没有上限边界的激活函数会比较有用 # 到这里就完成了整个网络inference（构建）的部分，梳理整个网络结构，设计性能良好的CNN是有一定规律可循的，但是想要针对某个问题设计最合适的 # 网络结构，是需要大量实际摸索的 # 完成模型 ，它们都可以提升模型的泛化能力 数据增强Data Augmentation在我们的训练中作用很大，它可以给单幅图增加多个副本，提高图片的利用率，防止对某一张图片结构的学习过拟合 这刚好是利用了图片数据本身的性质
2.1K10发布于 2018-09-13 - 来自专栏大数据成神之路
经典SQL面试10题解析
因为其使用的广泛性和易学程度也被其他岗位比如产品经理、研发广泛学习使用，本篇文章主要结合经典面试题，给出通过数据开发面试的SQL方法与实战。以下题目均来与笔者经历&网上分享的中高难度SQL题。 一般这种题建中间表会解得清晰些 三、SQL真题 第一题 order订单表，字段为：goods_id， amount ； pv 浏览表，字段为：goods_id，uid； goods按照总销售金额排序，分成top10 ,top10~top20,其他三组 求每组商品的浏览用户数（同组内同一用户只能算一次） create table if not exists test.nil_goods_category as select goods_id ,case when nn<= 10 then 'top10' when nn<= 20 then 'top10~top20' else 'other' end = b.d10 then 1 else 0 end as d10_jp ,case when a.d20 = b.d20 then 1 else 0 end as d20_jp ,case when
3.9K32编辑于 2022-04-13 - 来自专栏C/C＋＋、数据结构、算法
DP：子序列模型
1、子数组（n^2） 子序列(2^n) 2、子数组是子序列的一个子集 3、子数组必须连续，子序列可以不连续 一、最长递增子序列 . - 力扣（LeetCode） 算法原理： 1、状态表示 for(int j=0;j<i;++j) if(pairs[j][1]<pairs[i][0]) dp[i]=max(dp[j]+1,dp[i]);//(1,5)(2,3)(4,10 )(5,9) return dp[n-1];//最大值必然在最后面 } }; 五、最长定差子序列（经典） . - 力扣（LeetCode） 算法原理： 1、状态表示（经验+题目要求 因为我们至少得确定两个位置，才能知道序列是否满足等差子序列的要求。 dp[i][j]表示以i位置及j位置为结尾所有子序列中，最长的等差子序列长度。 因为我们至少得确定两个位置，才能知道序列是否满足等差子序列的要求。 dp[i][j]表示以i位置及j位置为结尾所有子序列中，最长的等差子序列长度。
53910编辑于 2024-06-07 - 来自专栏五分钟学算法
经典面试题：最长公共子序列
最长公共子序列（Longest Common Subsequence，简称 LCS）是一道非常经典的面试题目，因为它的解法是典型的二维动态规划，大部分比较困难的字符串问题都和这个问题一个套路，比如说编辑距离 因为子序列类型的问题，穷举出所有可能的结果都不容易，而动态规划算法做的就是穷举 + 剪枝，它俩天生一对儿。所以可以说只要涉及子序列问题，十有八九都需要动态规划来解决，往这方面考虑就对了。 因为有一个字符串是空串，它们的最长公共子序列的长度显然应该是 0。 第三步，找状态转移方程。 这是动态规划最难的一步，不过好在这种字符串问题的套路都差不多，权且借这道题来聊聊处理这类问题的思路。 状态转移说简单些就是做选择，比如说这个问题，是求s1和s2的最长公共子序列，不妨称这个子序列为lcs。那么对于s1和s2中的每个字符，有什么选择？很简单，两种选择，要么在lcs中，要么不在。 ? 这个需要动点脑筋：如果某个字符应该在lcs中，那么这个字符肯定同时存在于s1和s2中，因为lcs是最长公共子序列嘛。
77020发布于 2019-08-30 - 来自专栏计算机魔术师
【机器学习 | ARIMA】经典时间序列模型ARIMA定阶最佳实践，确定不来看看？
缺点：对于复杂的时间序列，图像解释可能不明确；需要主观判断截尾和拖尾的位置。 缺点：对于复杂的时间序列，可能无法找到最佳模型。ACF & PACF 定阶使用自相关函数（ACF）和偏自相关函数（PACF）来确定AR和MA的阶数。 示例代码：对于经典的时间序列数据，您可以使用其他专门的库来获取，例如 pandas-datareader、yfinance、Alpha Vantage 等。 ) max_lags = sample_size // 2 - 1 # 设置最大滞后期数为样本大小的50% plt.figure(facecolor='white', figsize=(10 假设我们有以下数据集：X = 1, 2, 3, 4, 5Y = 2, 4, 6, 8, 10我们可以考虑的模型阶数有1、2、3、4。对于每个阶数，我们拟合相应的线性回归模型，并计算AIC和BIC的值。
1.2K00编辑于 2023-11-23 - 来自专栏计算机魔术师
【机器学习 | ARIMA】经典时间序列模型ARIMA定阶最佳实践，确定不来看看？
缺点：对于复杂的时间序列，图像解释可能不明确；需要主观判断截尾和拖尾的位置。 缺点：对于复杂的时间序列，可能无法找到最佳模型。 ACF & PACF 定阶 使用**自相关函数（ACF）和偏自相关函数（PACF）**来确定AR和MA的阶数。 示例代码： 对于经典的时间序列数据，您可以使用其他专门的库来获取，例如 pandas-datareader、yfinance、Alpha Vantage 等。 max_lags = sample_size // 2 - 1 # 设置最大滞后期数为样本大小的50% plt.figure(facecolor='white', figsize=(10 假设我们有以下数据集： X = [1, 2, 3, 4, 5] Y = [2, 4, 6, 8, 10] 我们可以考虑的模型阶数有1、2、3、4。
3.5K10编辑于 2023-11-24 - 来自专栏业余草
Java 必会10大的经典算法
算法步骤 将第一待排序序列第一个元素看做一个有序序列，把第二个元素到最后一个元素当成是未排序序列。 从头到尾依次扫描未排序序列，将扫描到的每个元素插入有序序列的适当位置。 算法步骤 选择一个增量序列 t1，t2，……，tk，其中 ti > tj, tk = 1； 按增量序列个数 k，对序列进行 k 趟排序； 每趟排序，根据对应的增量 ti，将待排序列分割成若干长度为 m ； 重复步骤 3 直到某一指针达到序列尾； 将另一序列剩下的所有元素直接复制到合并序列尾。 [] arr, int maxDigit) { int mod = 10; int dev = 1; for (int i = 0; i < maxDigit; i++, dev *= 10, mod *= 10) { // 考虑负数的情况，这里扩展一倍队列数，其中 [0-9]对应负数，[10-19]对应正数 (bucket + 10) int[][] counter = new int[
3.3K10发布于 2019-10-22 - 来自专栏TechFlow
原创 | 巨经典论文！推荐系统经典模型Wide & Deep
今天我们剖析的也是推荐领域的经典论文，叫做Wide & Deep Learning for Recommender Systems。 它的输入是一个用户信息以及用户浏览的上下文信息，返回的结果是一个排好序的序列。 正因为如此，对于推荐系统来说，也会面临一个和搜索排序系统一个类似的挑战——记忆性和泛化性的权衡。 ，Google Play是一个拥有超过10亿日活和100w App的移动App商店 推荐系统概述 这是一张经典的推荐系统的架构图： ? 所以我们想要在规定时间内（10毫秒）给所有的app都调用模型打一个分，然后进行排序是不可能的。所以我们需要对请求进行Retrieval，也就是召回。 接着调用模型对每一个app进行打分，获取了分数之后，服务器会对候选的app按照分数从高到低进行排序。 为了保证服务器的响应能力，能够在10ms时间内返回结果，paper采取了多线程并发执行的方法。
1.2K20发布于 2020-11-06 - 来自专栏民工哥技术之路
10 道经典 MySQL 面试题
这种属性有时称为串行化，为了防止事务操作间的混淆，必须串行化或序列化请 求，使得在同一时间仅有一个请求用于同一数据。 union all 则会显示重复结果,只是简单的两个结果合并并返回.所以效率比union高,在保证没有重复数据的情况下用union all. 10. SQL语言包括哪几部分？
76530发布于 2021-05-11 - 来自专栏大模型应用
大模型应用：马尔可夫链HMM与混元大模型的融合：经典序列算法+语义理解.109
一、前言 在自然语言处理、语音识别、多轮对话系统这些和序列数据打交道的场景里，经典算法一直扮演着关键角色。 最后通过实际应用实践，深入理解这套“经典算法稳结构、大模型保质量”的新融合方式。二、核心基础1. 传统序列算法：马尔可夫链、HMM擅长解决第一个问题，但对第二个问题束手无策；大模型擅长解决第二个问题，却容易出现结构失控，比如文本续写偏离主题、多轮对话逻辑混乱；二者的融合，本质是 “用经典算法稳住序列结构 马尔可夫链和HMM补偿大模型的短板：大模型缺乏对序列结构的硬性约束。例如，让大模型做多轮对话，可能出现“用户问价格，模型却聊售后”的逻辑混乱；让大模型续写文本，可能偏离主题。 语音断点识别结果图：五、总结 今天的核心就是一件事：把经典的马尔可夫链、HMM，和现在最火的大模型结合在一起，用一套“结构 + 语义” 的组合拳，搞定序列任务。
25821编辑于 2026-05-17 - 来自专栏数据分析1480
经典 | 10 分钟速成 Python3
5 some_var # => 5 # 访问未赋值的变量会抛出异常 # 参考流程控制一段来学习异常处理 some_unknown_var # 抛出NameError # 用列表(list)储存序列 li现在是[1, 2, 3, 4, 5, 6] # 用in测试列表是否包含值 1 in li # => True # 用len取列表长度 len(li) # => 6 # 元组是不可改变的序列 注意缩进在Python里是有意义的 # 印出"some_var比10小" if some_var > 10: print("some_var比10大") elif some_var < 10: 一个可迭代对象是可以被当作序列 # 的对象。比如说上面range返回的对象就是可迭代的。 all_the_args(1, 2, a=3, b=4) prints: (1, 2) {"a": 3, "b": 4} """ # 调用可变参数函数时可以做跟上面相反的，用*展开序列
88610发布于 2019-05-21 - 来自专栏JAVA葵花宝典
10道经典MySQL面试题
这种属性有时称为串行化，为了防止事务操作间的混淆，必须串行化或序列化请 求，使得在同一时间仅有一个请求用于同一数据。 union all 则会显示重复结果,只是简单的两个结果合并并返回.所以效率比union高,在保证没有重复数据的情况下用union all. 10. SQL语言包括哪几部分？
98520发布于 2021-05-11 - 来自专栏林德熙的博客
win10 UWP 序列化 BinaryXML序列化
.NET Framework 提供了两个序列化技术： 二进制序列化保持类型保真，这对于多次调用应用程序时保持对象状态非常有用。例如，通过将对象序列化到剪贴板，可在不同的应用程序之间共享对象。 您可以将对象序列化到流、磁盘、内存和网络等。远程处理使用序列化，“按值”在计算机或应用程序域之间传递对象。 XML 序列化只序列化公共属性和字段，并且不保持类型保真。 为了提高性能，XML 序列化基础结构动态生成程序集，以便对指定类型进行序列化和反序列化。该基础结构将找到并重新使用这些程序集。 这里使用参见 http://www.cnblogs.com/RicCC/archive/2010/03/01/serialization-data-format.html 参见： win10 uwp json win10 uwp 读写XML ---- 本文会经常更新，请阅读原文： https://lindexi.gitee.io/lindexi/post/win10-UWP-%E5%BA%
1.2K20发布于 2018-09-18
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号