我是深度学习领域的新手,对我来说,第一步是从deeplearning.net网站阅读有趣的文章。在有关深度学习的论文中,Hinton等人大多谈论将其应用于图像问题。有人可以回答我吗?它可以应用于预测时间序列值(财务,互联网流量等)的问题吗?如果可以的话,我应该重点关注哪些重要事项?
我是深度学习领域的新手,对我来说,第一步是从deeplearning.net网站阅读有趣的文章。在有关深度学习的论文中,Hinton等人大多谈论将其应用于图像问题。有人可以回答我吗?它可以应用于预测时间序列值(财务,互联网流量等)的问题吗?如果可以的话,我应该重点关注哪些重要事项?
Answers:
在针对顺序数据适应深度学习方法方面已有一些工作。许多工作集中在开发“模块”上,这些模块的堆叠方式类似于堆叠受限的Botzmann机器(RBM)或自动编码器,以形成一个深度神经网络。我将在下面重点介绍一些:
是的,深度学习可以应用于时间序列预测。实际上,它已经进行了很多次,例如:
这并不是真正的“特殊情况”,深度学习主要是关于预处理方法(基于生成模型),因此您必须专注于与您在“传统意义上”进行深度学习时所关注的完全相同的事情。手,以及在不进行深度学习的情况下执行时间序列预测时所关注的相同事物。
Alex Graves的使用递归神经网络生成序列使用递归网络和长期短期记忆细胞来预测文本并进行笔迹合成。
Andrej Karpathy撰写了有关 从头开始生成字符级序列。他在教程中使用RNN。
有关更多示例,请参阅-Hochreiter,S.,&Schmidhuber,J.(1997)。长期记忆。神经计算,9(8),1735-1780。
也许这会有所帮助:
如果您对本文或段落中的句子这样的数据定义了确切的时间窗口,那么使用LSTM会很好,但是我不确定如何找到不明显且更了解上下文的时间窗口。例如,您看到的日志数据有多少是相关的,这并不明显。