Початок роботи з нейронними мережами для прогнозування

Мені потрібні деякі ресурси, щоб почати використовувати нейронні мережі для прогнозування часових рядів. Я насторожено реалізую деякий документ, а потім з’ясовую, що вони значно перекрили потенціал своїх методів. Тож якщо у вас є досвід використання методів, які ви пропонуєте, це стане ще більш приголомшливим.

— Річард Харді
джерело

Зверніть увагу, що національні мережі швидше ... застарілі.

@jason, NN були охарактеризовані як "регресія без етики", оскільки вони не тільки переоцінюють, але роблять помилку "вірячи в дані", а не "оскаржуючи дані для узгодженості сигналу"

— IrishStat,

НН абсолютно не застаріли. Вони мають найкращі оцінки за кількома важливими орієнтирами, які зараз вирішуються спільнотою ML. Крім того, вони є найкращим багатоцільовим диференційованим функціональним наближенням. Ознайомтеся з роботами груп Бенджо, Хінтона та Лекуна за останні 5 років.

— байерж

Я читаю газету Bengio & Lecun, і це трохи змінить мою думку, але те, що вони роблять, сильно відрізняється від історичних нейронних мереж. ОП хоче працювати з часовими рядами, де існує декілька методів, які можуть працювати з одновимірними часовими рядами і фактично давати корисну інформацію про часові ряди (DLM приходять на думку). Якщо у вас є дані за межами самих часових рядів, ви можете використовувати безліч інших методів (ЛМ тощо), які є прямими та також висвітлюючими. Навіщо використовувати чорний ящик з немеченими циферблатами, коли ви можете зробити щось зрозуміле?

— Уейн

Звичайно, нейронні мережі, які використовувались у 80-х / 90-х роках, відрізняються від тих, які ви використовуєте сьогодні, і вони все ще є дуже активною областю досліджень. Крім того, ви ніколи не використовуєте нейронні мережі, коли дбаєте про інтерпретацію. Ви використовуєте їх, коли піклуєтесь про помилку передбачення. Нейронні мережі швидкі, і вони вирішують проблеми, з якими не вдаються інші методи. Вони приємні тим, що вони прості з концептуальної точки зору через відсутність будь-яких припущень щодо даних, які ви моделюєте (крім гаусового шуму при використанні з помилкою у квадраті). У них є свої заслуги та вади.

— bayerj

Відповіді:

Ось хороший швидкий вступ: вступ до нейронних мереж. Зауважте, що R має нейромережевий функціонал, тому не потрібно витрачати часу на впровадження NN, поки ви не зробите це, і не вирішите, що це виглядає перспективно для вашої програми.

Нейронні мережі не застаріли, але вони пройшли пару циклів ажіотажу, а потім, зрозумівши, що не роблять все так, як було заявлено, їх репутація на деякий час переходить у корито (ми зараз в одному з таких) . Нейронні мережі хороші в певних завданнях, і, як правило, краще для завдань, в яких людина може виконати подібне завдання, але не може точно пояснити, як вони це роблять.

Нейронні мережі не дають багато розуміння системи, яку ви використовуєте для аналізу, навіть після того, як вони пройшли навчання та працюють добре. Тобто вони можуть передбачити, що станеться (для деяких систем), але не скажуть, чому. У деяких випадках це нормально. В інших це не добре. Як правило, якщо ви хочете або особливо якщо ви вже розумієте правила того, як щось працює, ви можете використовувати інші методи.

Але, для певних завдань вони добре працюють.

Зокрема, про часові ряди див. Обговорення цього питання: Правильний спосіб використання рекурентної нейронної мережі для аналізу часових рядів

— россдавід
джерело

Хоча вона зосереджена на розпізнаванні статистичного шаблону, а не на прогнозуванні часових рядів, я настійно рекомендую книгу Кріса Бішопа Нейронні мережі для розпізнавання образів, оскільки це найкраще знайомство з нейронними мережами загалом, і я думаю, що це було б гарною ідеєю отримати впоратися з потенційними підводними каменями у використанні нейронних мереж у більш простому контексті, коли проблеми легше візуалізувати, зрозуміти. Потім перейдіть до книги про періодичні нейронні мережі Мандіка та Чемберса . Книга єпископа - це класика, ніхто не повинен використовувати нейронні сітки ні для чого, поки вони не будуть впевнені, що розуміють матеріал, що міститься в цій книзі; АНН зробить все занадто легко стріляти собі в ногу!

Я також не погоджуюся з mbq, nn не є застарілим, хоча багато проблем краще вирішувати за допомогою лінійних моделей або більш сучасних методів машинного навчання (наприклад, ядра методів), є деякі проблеми, коли вони працюють добре, а інші методи не мають. Це все ще інструмент, який має бути в наших скриньках.

— Дікран Марсупіал
джерело