Prognozowanie szeregów czasowych z głębokim uczeniem się w PyTorch

Dane z szeregów czasowych są wszędzie, od rynków finansowych po odczyty czujników, a opanowanie głębokiego uczenia się dla danych sekwencyjnych jest niezbędną umiejętnością dla współczesnych naukowców zajmujących się danymi.Ten kurs prowadzi od podstawowych pojęć danych czasowych do pewnego wdrażania zaawansowanych powtarzających się sieci neuronowych (RNN) i LSTM przy użyciu biblioteki PyTorch. Zyskasz praktyczną wiedzę wymaganą do struktury, szkolenia i oceny modeli sekwencji dla rzeczywistych zadań prognozowania. Czego się nauczysz: * Zrozumieć charakterystykę danych szeregów czasowych, w tym stacjonarność, trendy i sezonowość. * Przygotuj sekwencyjne dane dla modeli głębokiego uczenia się przy użyciu odpowiednich technik normalizacji i okien. * Budowanie i szkolenie podstawowych powtarzających się sieci neuronowych (RNN) i długich architektur pamięci krótkoterminowej (LSTM) w PyTorch. * Konfigurowanie wydajnych potoków ładowania danych za pomocą zestawu danych i DataLoader PyTorch do przetwarzania wsadowego danych sekwencyjnych. * Zastosuj najlepsze praktyki do szkolenia modeli głębokiego uczenia się, w tym zarządzania stanem ukrytym, obsługi gradientów znikających i oceny wydajności prognozowania. Następnie przechodzisz przez wdrażanie modeli sekwencji rdzeniowych (RNN / LSTM) i kończysz poprzez uporządkowanie kompletnych procedur szkoleniowych i ewaluacyjnych niezbędnych do praktycznego zastosowania. Ten kurs jest przeznaczony dla absolutnych początkujących w głębokim uczeniu się i analizie szeregów czasowych, którzy znają podstawowe programowanie Pythona.Nie jest wymagane wcześniejsze doświadczenie z PyTorch lub sieciami neuronowymi. Zacznij budować zaawansowane modele prognozowania już dziś.