- 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, 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 .SVM(Support Vector Machine) 参考该篇博客: https://blog.csdn.net/szlcw1/article/details/52259668 (谢谢作者整理) 4.
93720发布于 2018-09-04 - 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。 （4）提出了LRN层，对局部神经元的活动创建竞争机制，使得其中响应比较大的值变得相对更大，并抑制其他反馈较小的神经元，增强了模型的泛化能力。 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。 最主要的区别在于，VGGNet的每个卷积层并不是只做一次卷积操作，而是连续卷积2~4次。 inception-v4。
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. 循环Recurrent 神经网络模型 为什么不使用标准的神经网络学习上面的 X 到 Y 的映射？ ? ? ? image.png ? 4. 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 ? 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C/C＋＋、数据结构、算法
DP：子序列模型
，所以dp表全都初始化为1 4、填表顺序 需要借助前面的状态，所以要从左往右 5、返回值 dp表中的最大值——>可以用ret去更新出最大值，也可以用*max_element(dp.begin(),dp.end len[j]+1<len[i] 无视 （3）len[j]+1>len[i]——>len[i]=len[j]+1 count[i]=count[j]（更新最大值并重新计数） 3、初始化 全都初始化为1 4、 )(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 ，并且有多个的话也可以用后面的覆盖前面的，因此我们可以用哈希表做优化 优化思路： （1)将元素+dp[i]的值存在哈希表中 （2)直接在哈希表中做动态规划 3、初始化 hash[arr[0]]=1 4、 （该题需要统计所有的子序列，所以相同元素下标不同的情况都要统计，因此我们要将元素绑定一个下标数组） （2）i位置填完后，将i位置的值放进哈希表中 3、初始化 都初始化为0 4、填表顺序 先固定倒数第二个数
53910编辑于 2024-06-07 - 来自专栏Python小屋
详解Python序列解包（4）
本文主要介绍调用函数传递参数时序列解包的用法。在定义函数时在形参前面加2个星号**表示可变长度参数，可以收集若干关键参数形式的参数传递并存放到一个字典之中。 对于这种形式的序列解包，要求实参字典中的所有键都必须是函数的形参名称，或者与函数中两个星号的可变长度参数相对应。 带有位置参数和默认值参数的函数 >>> def f(a, b, c=5): print(a, b, c) >>> f(**p) 1 2 3 # 带有多个默认值参数的函数 >>> def f(a=3, b=4,
1.3K50发布于 2018-04-16 - 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。 比如上图的例子，d[2][4] 的含义就是：对于"ac"和"babc"，它们的 LCS 长度是 2。我们最终想得到的答案应该是dp[3][6]。 第二步，定义 base case。 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。 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。 Y = β0 + β1X + β2X^2 + β3X^3 + β4X^4对于每个模型，我们可以计算出似然函数的最大值（最小二乘法），然后带入AIC和BIC的计算公式得到相应的值。
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。 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。 ，模型为 Y = β0 + β1X + β2X^2 + β3X^3 + β4X^4 对于每个模型，我们可以计算出似然函数的最大值（最小二乘法），然后带入AIC和BIC的计算公式得到相应的值。
3.5K10编辑于 2023-11-24 - 来自专栏Y大宽
4️⃣ 核酸序列特征分析(8):重复序列的查找
[序列比对和序列特征分析总目录](https://www.jianshu.com/p/878f2b2495ae 基因组序列主要构成成分是基因序列，重复序列和基因间序列。 基因组注释包括基因组结构注释和基因组功能注释 结构注释的核心是基因识别，为了提高基因识别效率需要首先寻找并标记去除 重复的和低复杂性的序列。 什么是重复序列？ 重复序列（repetitive sequence）是在基因组中不同位置出现的相同或对称性序列片段，一般不编码多肽。组织形式有两种：串联重复序列和分散重复序列。 分类 大致分三类： 低度重复序列 中度重复序列 高度重复序列 特点 GC含量低，AT含量高，3'和5'端有直接重复序列存在，有利形成环形结构。 常用数据库 GIRI的RepBase：常用的真核生物DNA重复序列数据库 RepeatMasker:常用的重复序列分析工具 ALU数据库：人和灵长类Alu重复片段 LINE-1数据库
3.8K30发布于 2019-02-26 - 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： ? 这张图源于论文，从左到右分别展示了Wide模型，Wide & Deep模型以及Deep模型。从图上我们也看得出来所谓的Wide模型呢其实就是线性模型，Deep模型是深度神经网络模型。 因此paper当中选择了一种增量更新的模式，也就是说在模型更新的时候，会加载旧模型的参数，再使用最新的数据进行更新训练。在新模型更新上线之前，会先验证模型的效果，确认效果没有问题之后再进行更新。
1.2K20发布于 2020-11-06 - 来自专栏时空探索之旅
AI论文速读 | 【综述】（LLM4TS）大语言模型用于时间序列
详细介绍了各种方法，包括（1）LLM的直接提示，（2）时间序列量化，（3）对齐技术，（4）利用视觉模态作为桥梁机制，以及（5）LLM与工具的结合 。 LLM4TS研究分类（左）及相关论文（右） A: 这篇论文提到了多项与大型语言模型（LLMs）在时间序列分析中的应用相关的研究。 et al., 2023] TENT [Zhou et al., 2023b] JoLT [Cai et al., 2023] EEG-to-Text [Wang and Ji, 2022] GPT4TS 问题阐述：论文明确了LLMs在处理时间序列数据时面临的主要挑战，即如何将原本针对文本数据训练的模型应用于连续数值数据的时间序列分析。 总的来说，这篇论文为如何将LLMs应用于时间序列分析提供了一个全面的框架，并为未来的研究和实践提供了指导。 Github仓库 该仓库维护了目前有关LLM4TS的相关论文，按照5个分类进行了分门别类。
1K10编辑于 2024-11-19 - 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 此时，HMM能建模“语义状态的跳转”，但无法生成高质量的文字，这正是大模型的优势所在。4. 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CreateAMind
DeepMind时间序列生成模型
使用vae推理；lstm 时间相关建模；external memory加强记忆；和神经图灵机 可微分计算机等进行比较。
95220发布于 2018-07-24 - 来自专栏小小挖掘机
用户行为序列推荐模型
相对基于序列的推荐模型则是非序列化的推荐模型，如经典的矩阵分解模型和图模型，如图1。这两种模型主要考虑通过节点之间的邻接关系进行建模，时序通常是作为其中一个的隐式特征或者约束加入模型中来进行学习的。 如将图2中的序列展开后生成的模型输入为：[（[e1], e2)），([e1, e2], e3)，([e1,e2,e3], e4)，([e1, e2, e3, e4], e5)]，每个 tuple 的第一个元素是前 类比[18]中的 DSSM 结构，模型产生的输出向量与目标物品 embedding 之间的相关性作为目标物品的排序分数，其中计算相关性可以采用以下方法： 图4 combine embedding for 具体公式读者可以参见源论文[4]。 所以用卷积神经网络对句子序列的建模主要包括：1. 卷积；2. 池化；3. 拼接；4. 全连接。同样的方法也可以运用在用户的行为序列建模中。
5.7K41发布于 2019-12-20 - 来自专栏炼丹笔记
如何评估序列推荐模型？
Item Recommendation Models>探讨如何评估这些序列推荐模型。 这篇论文就比较了当前比较“出众”的序列化模型在不同评估方式的区别，并给出结论。 based Sequential Recommendation(SAS-Rec) Bert4Rec 02 实验结果 先比较不同模型在不同数据集，采样HR@10评估，用流行度采样负采样100的结果，如下图所示 我们随机采样20次，取平均，并对不同模型在不同采样方式下进行排序： 我们发现，在full上，bert4rec在某些数据集竟然能倒数第一？在uniform上也表现一般。 如果我们使用不同的负采样个数，评估排名变化又很大，如下图所示： 看到这里，是不是不相信任何一个号称自己是最强的序列推荐模型了？
1.1K10发布于 2021-11-10 - 来自专栏和蔼的张星的图像处理专栏
4. 经典卷积网络之AlexNet
原文：《ImageNet Classification with Deep Convolutional Neural Networks》 我没有读原文，这个已经很老的文章了，分类领域应用CNN的经典文章 t.get_shape().as_list) ''' 接下来是设计AlexNet的结构，我们定义一个函数（inferen），接受image作为输入， 返回最后一层pool(第五个池化层)，以及所有需要训练的模型参数 [11,11,3,64],dtype=tf.float32,stddev=0.1),name='weights') conv=tf.nn.conv2d(image,kernel,[1,4,4,1 来统计运行时间，传入的target是FC3，即全连接的最后一个输出层，然后进行反馈 即训练过程的评测，和前馈不同的是我们需要给最后的输出设置一个loss，一般的loss需要用到数据损失和模型损失 ，我们这里不传入labels，所以 只计算模型损失，使用L2来计算， ''' time_tensorflow_run(sess,FC3,'forward'
1.4K20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2.9情感分类
简单的情感分类模型 示例 The dessert is excellent 首先在字典中找出句中所有单词，并使用 one-hot 向量 表示 ，乘以 词嵌入矩阵 E ，得到单词的 嵌入向量 e 如果在很大的语料库中训练 而求和和平均的操作则避免模型考虑原有句子的长短。无论原先句子都多长，在 求和 或 平均 操作后都只有 300 维度，即只和原有的特征定义相关。 基于 RNN 的情感分类模型 Completely lacking in good taste,good service, and good ambience(完全没有好的味道，好的服务，好的环境) 首先将每一个单词使用
65110发布于 2020-08-14
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