Публикации по теме 'timeseries'


Временные ряды для бизнеса: общее введение
У нас будет серия из 3 постов о временных рядах для бизнеса: Временные ряды для бизнеса: общее введение Временные ряды для бизнеса: (ARIMA) для прогнозирования бюджета Временные ряды для бизнеса: глубокое обучение (LSTM) и цена опциона на акции Введение в временные ряды Освоение бизнес-параметров во всех включенных областях - действительно серьезная задача, особенно для изучения эволюции ключевых показателей эффективности и показателей с течением времени. Методы временных рядов..
Байесовские ближайшие соседи для классификации продольных траекторий
Мотивация В медицинских приложениях бывают случаи, когда пациент приходит на несколько обследований, а практикующий врач хочет получить классификацию какого-то состояния. Существуют мощные методы машинного обучения, позволяющие использовать данные этих оценок для создания классификаций. Однако традиционные методы машинного обучения рассматривают каждую оценку или наблюдение как полностью независимые. Это означает, что классификацию можно проводить при каждой оценке, но не использовать..
Анализ временных рядов для машинного обучения
Анализ временных рядов для машинного обучения Тренд, выбросы, стационарность, сезонность Резюме В описательной статистике временной ряд определяется как набор случайных величин, упорядоченных по времени. Временные ряды изучаются как для интерпретации явления, определения компонентов тренда, цикличности, сезонности, так и для прогнозирования его будущих значений. Я думаю, что они являются лучшим примером соединения между областью экономики и науки о данных (цены на акции,..
Анализ временных рядов с использованием рекуррентных нейронных сетей в Tensorflow
В этом посте мы обсудим, что такое рекуррентные нейронные сети и как они работают. Более того, мы закодируем простую задачу временного ряда, чтобы лучше понять, как работает RNN. Рекуррентные нейронные сети - это глубокая нейронная сеть, которая, как следует из названия, имеет повторяющиеся входные данные для скрытого слоя, то есть выходные данные из скрытого слоя передаются обратно самой себе. Взгляните на эту картинку, чтобы лучше понять структуру - Это типичная ячейка RNN...
Применение моделей машинного обучения к InfluxDB с помощью Loud ML и Docker для прогнозирования временных рядов
Я люблю изучать науку о данных. Мне нравится играть с различными моделями машинного обучения, чтобы понять, когда их использовать, как они работают и как их оценивать. Однако сразу же погрузиться в машинное обучение - это устрашающе. Я хотел создать это руководство, чтобы показать энтузиастам науки о данных, как быстро можно применять высокопроизводительные модели машинного обучения к данным временных рядов с помощью Loud ML и InfluxDB. В этом руководстве будут рассмотрены следующие..
Полное введение в анализ временных рядов (с R): Функции ACF и PACF
В последней статье мы обсудили свойства стационарности, причинности и обратимости процесса ARMA(p,q), а также условия, необходимые для их обеспечения, и способы их проверки. В этой статье мы увидим, как эти свойства, в частности, стационарность и причинность, значительно упрощают нашу задачу по нахождению ACVF, ACF и PACF. ARMA(p,q) как линейный процесс Напомним из этой статьи , что линейный процесс — это не более чем стационарный временной ряд, который имеет представление..
Проблемы, которые необходимо решить при сравнении результатов двух прогнозов
В этом посте описываются различные проблемы, которые обычно возникают при сравнении двух прогнозов с фактическими результатами. И расскажет о типе сложности, связанной с этим, и о том, насколько сложно может быть придумать единую метрику или число для сравнения двух прогнозов за период. Рассмотрим гипотетическую ситуацию в вашей организации: вам нужно каждый день прогнозировать снятие наличных в банкомате, чтобы в зависимости от спроса и наличия наличных вы могли запланировать..