首頁 > 產(chǎn)品 > 知識 > 機(jī)器學(xué)習(xí)模型，怎么用機(jī)器學(xué)習(xí)模型做時(shí)間序列預(yù)測

機(jī)器學(xué)習(xí)模型，怎么用機(jī)器學(xué)習(xí)模型做時(shí)間序列預(yù)測

來源：整理時(shí)間：2024-11-22 17:05:58 編輯：智能門戶手機(jī)版

1，怎么用機(jī)器學(xué)習(xí)模型做時(shí)間序列預(yù)測

雖然我很聰明，但這么說真的難到我了

怎么用機(jī)器學(xué)習(xí)模型做時(shí)間序列預(yù)測

2，都有哪些好的機(jī)器學(xué)習(xí)常用模型

Neural Network, Generic Algorithm, AdaBoost, Decision Tree, Hidden Mokov.

都有哪些好的機(jī)器學(xué)習(xí)常用模型

3，機(jī)器學(xué)習(xí)中supervised dictionary learning model是什么意思

受控字典式學(xué)習(xí)模型，縮寫為SDLM。這種模型致力于解決學(xué)習(xí)過程數(shù)據(jù)比樣本數(shù)據(jù)還要大的弊端，同時(shí)能夠自適應(yīng)地根據(jù)環(huán)境、情況的變化（有選擇地）提取目標(biāo)樣本的特征并加入“字典”中。這個(gè)模型在語音識別、音頻降噪、（圖像中）文字識別或特征圖案識別等應(yīng)用場景中都比較常用。

沒看懂什么意思？

機(jī)器學(xué)習(xí)中supervised dictionary learning model是什么意思

4，機(jī)器學(xué)習(xí)中的二分類模型是什么

當(dāng)然可以。通常情況下，閾值越大，準(zhǔn)確率越高，召回率越低。

我們在做研究的時(shí)候，會碰到很多術(shù)語。有時(shí)，在不同的研究領(lǐng)域還會出現(xiàn)同樣名稱的術(shù)語。比如，統(tǒng)計(jì)學(xué)、經(jīng)濟(jì)學(xué)中經(jīng)常使用的“模型參數(shù)”和“模型超參數(shù)”，在機(jī)器學(xué)習(xí)中也同樣存在。機(jī)器學(xué)習(xí)領(lǐng)域中的“模型參數(shù)”“模型超參數(shù)”在作用、來源等方面都有所不同，初學(xué)者如果對二者沒有明確的認(rèn)識，學(xué)習(xí)起來往往會比較吃力，尤其是那些來自統(tǒng)計(jì)學(xué)和經(jīng)濟(jì)學(xué)領(lǐng)域的初學(xué)者們。為了讓大家在應(yīng)用機(jī)器學(xué)習(xí)時(shí)，對“參數(shù)模型”和“超參數(shù)模型”有一個(gè)清晰的界定，在這篇文章中，我們將具體討論這兩個(gè)術(shù)語。

5，AlphaGo 用了哪些深度學(xué)習(xí)的模型

AlphaGo用了一個(gè)深度學(xué)習(xí)的模型：卷積神經(jīng)網(wǎng)絡(luò)模型。阿爾法圍棋（AlphaGo）是一款圍棋人工智能程序。其主要工作原理是“深度學(xué)習(xí)”?！吧疃葘W(xué)習(xí)”是指多層的人工神經(jīng)網(wǎng)絡(luò)和訓(xùn)練它的方法。一層神經(jīng)網(wǎng)絡(luò)會把大量矩陣數(shù)字作為輸入，通過非線性激活方法取權(quán)重，再產(chǎn)生另一個(gè)數(shù)據(jù)集合作為輸出。這就像生物神經(jīng)大腦的工作機(jī)理一樣，通過合適的矩陣數(shù)量，多層組織鏈接一起，形成神經(jīng)網(wǎng)絡(luò)“大腦”進(jìn)行精準(zhǔn)復(fù)雜的處理，就像人們識別物體標(biāo)注圖片一樣。擴(kuò)展資料：阿爾法圍棋用到了很多新技術(shù)，如神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)、蒙特卡洛樹搜索法等，使其實(shí)力有了實(shí)質(zhì)性飛躍。美國臉書公司“黑暗森林”圍棋軟件的開發(fā)者田淵棟在網(wǎng)上發(fā)表分析文章說，阿爾法圍棋系統(tǒng)主要由幾個(gè)部分組成：一、策略網(wǎng)絡(luò)（Policy Network），給定當(dāng)前局面，預(yù)測并采樣下一步的走棋；二、快速走子（Fast rollout），目標(biāo)和策略網(wǎng)絡(luò)一樣，但在適當(dāng)犧牲走棋質(zhì)量的條件下，速度要比策略網(wǎng)絡(luò)快1000倍；三、價(jià)值網(wǎng)絡(luò)（Value Network），給定當(dāng)前局面，估計(jì)是白勝概率大還是黑勝概率大；四、蒙特卡洛樹搜索（Monte Carlo Tree Search），把以上這三個(gè)部分連起來，形成一個(gè)完整的系統(tǒng)。參考資料來源：搜狗百科-阿爾法圍棋（圍棋機(jī)器人）搜狗百科-深度學(xué)習(xí)

AlphaGo依靠精確的專家評估系統(tǒng)（value network）、基于海量數(shù)據(jù)的深度神經(jīng)網(wǎng)絡(luò)（policy network），及傳統(tǒng)的人工智能方法蒙特卡洛樹搜索的組合，以及可以通過左右互搏提高自己的水平，這個(gè)真的是有的恐怖了有木有。李世石九段固然厲害，可人類畢竟是動(dòng)物，機(jī)器軟件程序是無休止的工作，這一點(diǎn)也是客觀因素了。比賽已經(jīng)結(jié)束了，李世石一比四不敵alphago。

6，機(jī)器學(xué)習(xí)中的主動(dòng)學(xué)習(xí)算法有什么

你說的主動(dòng)學(xué)習(xí)算法是什么意思? 是指無監(jiān)督學(xué)習(xí)嗎?

主動(dòng)學(xué)習(xí)的算法主要有兩種(1)基于評委的方法 (committee-based methods)首先用各種不同的學(xué)習(xí)器對樣本進(jìn)行標(biāo)注，然后由標(biāo)注人員對有爭議的標(biāo)注結(jié)果作出最終判斷。不同的學(xué)習(xí)器之間的分歧是由它們對樣本標(biāo)注結(jié)果預(yù)測的差異所造成的。 (2)基于置信度的方法(certainty-based methods)先由模型給出具有較低置信度的樣本，再交給標(biāo)注人員選擇性地進(jìn)行標(biāo)注。置信度的計(jì)算通常是由學(xué)習(xí)器度量n-最優(yōu)(n-best)標(biāo)注結(jié)果之間的差異得到的。下面詳細(xì)描繪一下基于評委的方法和基于置信度的方法的普遍流程?；谠u委的方法： (1) 對于由 n個(gè)未標(biāo)注樣本構(gòu)成的樣本組 B 中的每個(gè)樣本e，使用從先前標(biāo)注樣本中訓(xùn)練出來的 k 個(gè)模型對其進(jìn)行標(biāo)注，得到 k個(gè)結(jié)果測量出具有爭議的標(biāo)注結(jié)果De ； (2) 從樣本組 B 中選擇出 m個(gè)具有最高 De值的樣本交給標(biāo)注人員進(jìn)行標(biāo)注。把人工標(biāo)注好的樣本加進(jìn)訓(xùn)練樣本庫里； (3)在擴(kuò)大后的訓(xùn)練樣本庫的基礎(chǔ)上，再重新得到 k個(gè)模型。首先將語料庫劃分為連續(xù)的n個(gè)樣本組，貫穿整個(gè)語料庫，重復(fù)地在n 個(gè)樣本組中順序地進(jìn)行該過程。如果語料庫不大，樣本 n正好等于語料庫的大小，那么這個(gè)過程中的每一步都是在語料庫的未標(biāo)注樣本中選擇出m 個(gè)全局最優(yōu)的實(shí)例，如果語料庫的大小比樣本 n大，那么這個(gè)過程是承接進(jìn)行的。基于置信度的方法：(1)從先前標(biāo)注的樣本中訓(xùn)練出一個(gè)模型； (2)對于 N個(gè)未標(biāo)注的樣本組中的每一個(gè)樣本用模型對其進(jìn)行標(biāo)注，評估模型標(biāo)注的置信度； (3)從樣本組中選擇 m個(gè)具有最低置信度的樣本交給標(biāo)注人員進(jìn)行標(biāo)注；(4)把新標(biāo)注的樣本加進(jìn)訓(xùn)練語料中；(5)重復(fù)執(zhí)行以上過程直到標(biāo)注人員停止或未標(biāo)注樣本用盡。 Hwa運(yùn)用基于置信度的方法從 Penn Treebank語料庫學(xué)習(xí)語法，把學(xué)習(xí)器對一個(gè)樣本的標(biāo)注結(jié)果的不確定性等同于該樣本的“訓(xùn)練效用值”。如果學(xué)習(xí)器能夠從大量的未標(biāo)注語料中識別出具有較高訓(xùn)練效用值的樣本的子集，標(biāo)注人員就不需要花費(fèi)時(shí)間去標(biāo)注那些不富含信息的樣本。基于置信度的方法的難點(diǎn)在于如何構(gòu)造一種度量方法來評估學(xué)習(xí)器標(biāo)注結(jié)果的置信度。

樓主肯定對機(jī)器學(xué)習(xí)了解不多才會提這種問題。這問題專業(yè)程度看起來和“機(jī)器學(xué)習(xí)工程師”這詞匯一樣。機(jī)器學(xué)習(xí)，基礎(chǔ)的pca模型理論，貝葉斯，boost,adaboost,模式識別中的各種特征，諸如hog，haar,sift等深度學(xué)習(xí)里的dbn，cnn，bp，rbm等等。非專業(yè)出身，只是略懂一點(diǎn)。沒有常用的，只是針對需求有具體的設(shè)計(jì)，或者需要自己全新設(shè)計(jì)一個(gè)合適的算法，現(xiàn)在最熱門的算是cnn(convolutional neural networks)卷積神經(jīng)網(wǎng)絡(luò)了。優(yōu)點(diǎn):不需要訓(xùn)練獲取特征，在學(xué)習(xí)過程中自動(dòng)提取圖像中的特征，免去了常規(guī)方法中，大量訓(xùn)練樣本的時(shí)間。在樣本足夠大的情況下，能夠得到非常精確的識別結(jié)果。一般都能95%+的正確率。缺點(diǎn)：硬件要求高，cuda的并行框架算是用的很火的了。但是一般的臺式機(jī)跑一個(gè)demo花費(fèi)的時(shí)間長資源占用高。不過這也是這塊算法的通病。

文章TAG：機(jī)器機(jī)器學(xué)習(xí)學(xué)習(xí)模型機(jī)器學(xué)習(xí)模型