Публикации по теме 'time-series-analysis'
Обнаружение аномалий в анализе временных рядов
Обнаружение аномалий в анализе временных рядов
Существует множество способов обнаружения аномалий в стандартном анализе данных. Такие методы, как Isolation Forest, DBScan, кластеризация K-средних, расстояние Кука или даже простые диаграммы и стандартное отклонение, могут помочь отсеять переменные, которые могут исказить модель, и дать уверенность в том, где провести линию относительно того, что является аномалией и что не так.
Анализ временных рядов немного отличается, поскольку..
Обнаружение аномалий в режиме реального времени с помощью Google Cloud Timeseries Insights API — Часть I
Обзор простого в использовании API для масштабирования миллиардов временных рядов с обнаружением и прогнозированием аномалий с малой задержкой
Это первая из двух частей статьи об обнаружении аномалий в реальном времени с использованием Google Cloud Timeseries Insight API. В этой статье я расскажу, как создать набор данных для обнаружения аномалий и как запросить аномалию. Часть II будет посвящена тому, как добавлять новые события в потоковом режиме и получать аномалии для вновь..
Регрессия временных рядов с использованием моделей трансформаторов: простое введение на английском языке
Простое краткое введение в регрессию/классификацию данных временных рядов и преобразователи, а также реализацию в PyTorch.
Я работаю над проектом, в котором используются модели-трансформеры для диагностики нейродегенеративных заболеваний. Идея состоит в том, что если вы можете собрать данные о передвижении пациента, вы сможете проанализировать эти данные и определить, болен ли пациент и насколько он болен. Это пример регрессии и классификации временных рядов, и модели преобразователя,..
Все о Внимании к семье
В наши дни в глубоком обучении обычно приходится слышать о выдающейся производительности преобразователей в задачах, в которых другие алгоритмы не могут оправдать наши ожидания, когда большинство из них основано на внимании. Эта статья дает вам подробную иллюстрацию кода и математики четырех наиболее часто используемых типов внимания в эпоху глубокого обучения.
Главной особенностью Attentions является тот факт, что их работа не ограничивается локальностью, как CNNS и т. д., но мы увидим,..
Использование логистической регрессии в качестве модели машинного обучения на основе классификации в R для фондового рынка…
Оценка и сравнение с другими прогностическими моделями для прогнозов фондового рынка и выбора функций с помощью пошаговой регрессии и лассо.
Вы можете скачать Notebook с GitHub .
Важно отметить, что прогнозирование фондового рынка — сложная задача, и алгоритмы машинного обучения не всегда точны в своих прогнозах. Некоторые внешние факторы, такие как глобальные события, политические беспорядки и экономические сдвиги, также могут влиять на фондовый рынок, затрудняя точное..
Раскрытие возможностей анализа временных рядов: методы, инструменты и ресурсы
Прогнозирование временных рядов является важным аспектом науки о данных и машинного обучения. Он включает в себя использование исторических данных для прогнозирования будущих событий. Данные временных рядов уникальны, поскольку они содержат информацию о прошлом и настоящем, а также включают будущее, которое является целевой переменной, которую мы пытаемся прогнозировать. Этот тип данных обычно встречается в различных отраслях, таких как финансы, экономика, розничная торговля,..
Автоматический временной ряд
Мощный генетический алгоритм для временных рядов
Привет всем, добро пожаловать обратно в другую интересную тему генетического подхода к временным рядам/последовательным данным.
Мы уже видели в нашем предыдущем обсуждении, как генетический подход работает для алгоритмов машинного обучения, предназначенных для более высокой точности пропускной способности,
Вот ссылка на случай, если вы не сможете понять, о чем я говорю.
AutoML с TPOT Подход к..
