Dự báo chuỗi thời gian với học sâu trong PyTorch

Dữ liệu chuỗi thời gian có ở khắp mọi nơi, từ thị trường tài chính đến các đọc cảm biến, và làm chủ học sâu cho dữ liệu theo trình tự là một kỹ năng quan trọng cho các nhà khoa học dữ kiện hiện đại. Chương trình này hướng dẫn bạn từ các khái niệm cơ bản của dữ liêu tạm thời đến việc thực hiện tự tin các mạng nơ ron lặp lại tiên tiến (RNN) và LSTM bằng thư viện PyTorch. Bạn sẽ có được kiến thức thực tế cần thiết để cấu trúc, đào tạo và đánh giá các mô hình trình tự cho các nhiệm vụ dự báo thế giới thực. Bạn sẽ học được: * Hiểu được các đặc điểm của dữ liệu chuỗi thời gian, bao gồm tĩnh, xu hướng và theo mùa. * Chuẩn bị dữ liệu theo trình tự cho các mô hình học sâu sử dụng các kỹ thuật chuẩn hóa và cửa sổ thích hợp. * Xây dựng và đào tạo các mạng nơron lặp lại (RNN) và kiến trúc bộ nhớ ngắn hạn dài (LSTM) trong PyTorch. * Cấu hình các đường ống tải dữ liệu hiệu quả bằng cách sử dụng Dataset và DataLoader của PyTorch để xử lý hàng loạt dữ kiện theo trình tự. * Apply best practices for training deep learning models, bao gồm quản lý trạng thái ẩn, xử lý gradient biến mất, và đánh giá hiệu suất dự báo. Chương trình bắt đầu với các khái niệm về chuỗi thời gian và các phương pháp chuẩn bị dữ liệu cơ bản. Sau đó bạn tiến hành thực hiện các mô hình trình tự cốt lõi (RNN / LSTM) và kết luận bằng cách xây dựng các quy trình đào tạo và đánh giá đầy đủ cần thiết cho ứng dụng thực tế. Chương trình này được thiết kế cho người mới bắt đầu học sâu và phân tích chuỗi thời gian, quen thuộc với lập trình Python cơ bản. Không cần phải có kinh nghiệm trước đó với PyTorch hay mạng nơron. Bắt đầu xây dựng mô hình dự báo mạnh mẽ hôm nay.