- 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。
1.1K11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
71710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 argmin\_{\theta\_m}\sum\_{i=1}^{N}L\{y\_i,F\_{m-1}(x\_i)+T\_m(x\_i;\theta\_m)\} gbdt在每轮迭代的时候,都去拟合损失函数在当前模型下的负梯度 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
87420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。 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。 现在我们GPU的显存可以放下全部模型参数，因此只考虑一块GPU的情况即可。 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。
3.1K20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 ? 还有比较经典的是LSTM，即长短时记忆网络，见下节 10. 作业 05.序列模型 W1.循环序列模型（作业：手写RNN+恐龙名字生成） 本文地址：https://michael.blog.csdn.net/article/details/108815992
54510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 。
98710发布于 2020-08-14 - 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 （经典） . - 力扣（LeetCode） 算法原理： 1、状态表示（经验+题目要求） dp[i]表示以i位置为结尾所有子序列中，最长的等差子序列长度 2、状态转移方程 dp[i]: (1)b不存在 因为我们至少得确定两个位置，才能知道序列是否满足斐波那契子序列的要求。 dp[i][j]表示以i位置及j位置为结尾所有子序列中，最长的斐波那契子序列长度。 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。 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。
42710编辑于 2024-06-07 - 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。 True, title='Partial Autocorrelation', zero=False, vlines_kwargs=None, ax=None)函数参数说明：x：要计算自相关或偏自相关的序列数据 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。 在这个案例中，阶数为3的模型具有最小的AIC和BIC值，因此我们选择阶数为3的模型作为最优模型。这个案例说明了AIC和BIC在模型选择和定阶中的应用过程。
96000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。 True, title='Partial Autocorrelation', zero=False, vlines_kwargs=None, ax=None) 函数参数说明： x：要计算自相关或偏自相关的序列数据 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。 在这个案例中，阶数为3的模型具有最小的AIC和BIC值，因此我们选择阶数为3的模型作为最优模型。 这个案例说明了AIC和BIC在模型选择和定阶中的应用过程。
3.1K10编辑于 2023-11-24 - 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。
1.1K20发布于 2020-11-06 - 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。
71120发布于 2019-08-30 - 来自专栏小小挖掘机
用户行为序列推荐模型
导读：今天我们谈谈用户行为序列上的推荐模型。首先我们对序列推荐问题做一个定义和描述，然后主要讲述可以用在序列推荐任务中的 NN 模型，最后给出一点个人看法以及文中相关的参考文献供参阅。 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。 图1 序列推荐模型与非序列推荐模型 序列模型在我们的日常生活当中也存在着不少应用场景。比如金融交易中的股票涨跌预测以及自然语言处理中的语言模型。 图2 用户序列行为的相互影响 ——数据准备—— 在开始模型训练之前，我们需要准备训练和测试数据。序列推荐模型的输入是用户的行为序列数据，在多数情况下对训练数据进行预处理对模型性能有一定帮助。 ，极大提升模型表现能力，这是传统序列模型所不具备的。
5.5K41发布于 2019-12-20 - 1K10发布于 2021-11-10
- 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。
85820发布于 2018-07-24 - 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
60010发布于 2020-08-14 - 来自专栏JNing的专栏
深度学习: CNN经典网络模型
性能对比 年份表 网络 提出的年份 意义 LeNet 1998 鼻祖 AlexNet 2012 兴盛 ZF-net 2013 GoogleNet 2014 VGG 2014 ResNet 201
1.4K60发布于 2018-09-27 - 来自专栏Michael阿明学习之路
05.序列模型 W3.序列模型和注意力机制
基础模型 2. 选择最可能的句子 3. 集束搜索（Beam Search） 4. 改进集束搜索 5. 集束搜索的误差分析 6. Bleu 得分 7. 注意力模型直观理解 8. 注意力模型 9. 触发字检测（Trigger Word Detection） 作业 参考： 吴恩达视频课 深度学习笔记 序列模型和注意力机制（Sequence models & Attention mechanism 条件语言模型 和之前的 语言模型 一个主要的区别： 语言模型 随机地生成句子 条件语言模型，你要找到最有可能的英语句子，但是句子组合数量过于巨大，需要一种合适的搜索算法，集束搜索（Beam Search 集束搜索的误差分析 怎样才能发现是 Beam搜索 算法出现了问题，还是你的 RNN模型 出了问题？ ? 注意力模型 注意力模型如何让一个神经网络只注意到一部分的输入句子。当它在生成句子的时候，更像人类翻译 ? 9. 语音识别（Speech recognition） ? ? 10.
58410发布于 2021-02-19 - 来自专栏AutoML(自动机器学习)
DeepLearning.ai学习笔记（五）序列模型 -- week1 循环序列模型
一、为什么选择序列模型 序列模型可以用于很多领域，如语音识别，撰写文章等等。总之很多优点。。。 二、数学符号 为了后面方便说明，先将会用到的数学符号进行介绍。 所以我们将损失函数定义如下： 4.反向传播 计算出损失值后再通过梯度下降进行反向传播 5.整个流程图 五、不同类型的循环神经网络 本节主要介绍了其他更多类型的RNN结构，下图参考大数据文摘 六、语言模型和序列生成 : UNknown, 之前的笔记已介绍过. 3.构建语言模型示例 3.计算出损失值 下图给出了构建模型的过程以及损失值计算公式。 七、对新序列采样 下图给出了采样之后得到的效果： 左边是对训练得到新闻信息模型进行采样得到的内容； 右边是莎士比亚模型采样得到的内容。 像这样的例子如果想让我们的序列模型明白就需要借助不同的结构比如 - 双向递归神经网络(Bidirectional RNN)。该神经网络首先从正面理解一遍这句话，再从反方向理解一遍。
983100发布于 2018-03-28 - 来自专栏数据结构和算法
使用Python实现深度学习模型：序列到序列模型（Seq2Seq）
序列到序列（Seq2Seq）模型是一种深度学习模型，广泛应用于机器翻译、文本生成和对话系统等自然语言处理任务。它的核心思想是将一个序列（如一句话）映射到另一个序列。 本文将详细介绍 Seq2Seq 模型的原理，并使用 Python 和 TensorFlow/Keras 实现一个简单的 Seq2Seq 模型。 1. 什么是序列到序列模型？ 编码器将输入序列编码成一个固定长度的上下文向量（context vector），然后解码器根据这个上下文向量生成目标序列。 总结 在本文中，我们介绍了序列到序列（Seq2Seq）模型的基本原理，并使用 Python 和 TensorFlow/Keras 实现了一个简单的英法翻译模型。 希望这篇教程能帮助你理解 Seq2Seq 模型的工作原理和实现方法。随着对 Seq2Seq 模型的理解加深，你可以尝试实现更复杂的模型和任务，例如注意力机制和更大规模的数据集。
94220编辑于 2024-06-06 - 来自专栏NewBeeNLP
模型压缩 | 知识蒸馏经典解读
在实验中，效果最好的模型往往规模很大，甚至由多个模型集成得到。 因此，模型压缩（在保证性能的前提下减少模型的参数量）成为了一个重要的问题。而「模型蒸馏」属于模型压缩的一种方法。 “思想歧路” 上面容器和水的比喻非常经典和贴切，但是会引起一个误解: 人们在直觉上会觉得，要保留相近的知识量，必须保留相近规模的模型。 知识蒸馏的过程分为2个阶段: 原始模型训练: 训练”Teacher模型”, 简称为Net-T，它的特点是模型相对复杂，也可以由多个分别训练的模型集成而成。 精简模型训练: 训练”Student模型”, 简称为Net-S，它是参数量较小、模型结构相对简单的单模型。同样的，对于输入X，其都能输出Y，Y经过softmax映射后同样能输出对应相应类别的概率值。
3.6K20发布于 2020-08-26
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