# 8 個深度學習的鼓舞人心的應用
> 原文: [https://machinelearningmastery.com/inspirational-applications-deep-learning/](https://machinelearningmastery.com/inspirational-applications-deep-learning/)
如果說深度學習是在一系列復雜問題中實現最先進的結果,這種說法是有些夸張的。
目前,人工智能,機器學習和深度學習方面有在很多問題得處理上取得了令人興奮的結果,這也是進入一些真正強大的技術底層的絕佳機會。
我努力說服朋友,同事和學生開始深入學習,如上所述的大膽陳述是不夠的。它需要故事,圖片和研究論文。
在這篇文章中,您將了解一些深度學習方面近期令人激動的應用,這些應用能夠有效激勵您深入了解深度學習。
開始深度學習并不一定意味著去研究未來2-3年的方程,這只可能意味著[下載 Keras 并開始在 5 分鐘內運行你的第一個模型](http://machinelearningmastery.com/tutorial-first-neural-network-python-keras/)。開始應用深度學習,構建事物,并將其轉化為系統和代碼,這是一件令人興奮的事情。
最近,我一直想寫這篇文章,讓我們開始吧!

照片由 [Nick Kenrick](https://www.flickr.com/photos/zedzap/12093300505/) 提供,并保留所屬權利。
## 概述
以下是我們將在本文中看到的具體示例列表。
并非所有的示例都是需要“黃金時間”的準備的技術,但可以保證,它們都是一些令你激動的的例子。
如果你已經深入了解了一些深度學習的知識,那么這些例子似乎會有一些簡單,但是,事實上,在更廣法的范圍內,這些例子仍然令人印象深刻
坦率地說,對于像我這樣的老 AI 黑客,認為其中的一些例子在未來幾十年不可能得到解決,但是深度學習的出現啪啪打臉!
我將重點放在視覺示例上,因為我們可以查看屏幕截圖和視頻以立即了解算法的作用,但是自然語言中包含文本和音頻數據的示例(如果沒有更多的話)的數量就不多了。
本篇文章中,我們會了解以下示例:
1. 黑白圖像的著色。
2. 為無聲電影添加聲音。
3. 自動機器翻譯。
4. 照片中的物體分類。
5. 自動手寫生成。
6. 字符文本生成。
7. 圖像標題生成。
8. 自動游戲。
## 1.黑白圖像的自動著色
圖像著色是向黑白照片添加顏色的問題。
傳統上這是[手工完成](https://en.wikipedia.org/wiki/Hand-colouring_of_photographs),因為這是一項艱巨的任務。
深度學習可用于在照片中使用對象及其背景信息來為圖像著色,就像人類操作員一樣會解決問題。
令人印象深刻的視覺壯舉。
此功能利用了為ImageNet訓練并被選為圖像著色問題的高質量和超大型卷積神經網絡。
通常,該方法涉及使用非常大的卷積神經網絡和監督層,其通過添加顏色來重建圖像。

黑白照片的著色
圖片取自 [Richard Zhang,Phillip Isola 和 Alexei A. Efros](http://richzhang.github.io/colorization/) 。
令人印象深刻的是,相同的方法可用于著色黑白電影的靜止幀
### 進一步閱讀
* [自動著色](http://tinyclouds.org/colorize/)
* [灰度圖像自動著色](https://news.developer.nvidia.com/automatic-image-colorization-of-grayscale-images/)
### 文件
* [深色著色](http://www.cs.cityu.edu.hk/~qiyang/publications/iccv-15.pdf) [pdf],2015
* [彩色圖像著色](http://arxiv.org/pdf/1603.08511.pdf)[pdf]([網站](http://richzhang.github.io/colorization/),2016
* [自動著色的學習表示](http://arxiv.org/pdf/1603.06668.pdf) [pdf]([網站](http://people.cs.uchicago.edu/~larsson/colorization/)),2016
* [深度卷積神經網絡的圖像著色](http://cs231n.stanford.edu/reports2016/219_Report.pdf) [pdf],2016
## 2.自動為無聲電影添加聲音
在此任務中,系統必須合成聲音以匹配靜音視頻。
該系統使用 1000 個視頻示例進行訓練,其中鼓棒的聲音撞擊不同的表面并產生不同的聲音。深度學習模型將視頻幀與預先重新錄制的聲音數據庫相關聯,以便選擇與場景中發生的最佳匹配的聲音。
然后使用圖像測試設置評估系統,其中人類必須確定哪個視頻具有真實或假(合成)聲音。
卷積神經網絡和 LSTM 遞歸神經網絡能實現非常酷的應用。
### 進一步閱讀
* [人工智能產生逼真的愚弄人類的聲音](http://news.mit.edu/2016/artificial-intelligence-produces-realistic-sounds-0613)
* [機器可以產生愚弄人類的聲音效果](https://www.engadget.com/2016/06/13/machines-can-generate-sound-effects-that-fool-humans)
### 文件
* [視覺指示聲音](http://arxiv.org/pdf/1512.08512.pdf)([網頁](http://vis.csail.mit.edu/)),2015
## 3.自動機器翻譯
這是一種給定的單詞,短語或句子在一種語言中,自動將其翻譯成另一種語言的任務。
自動機器翻譯已經存在了很長時間,但深度學習在兩個特定領域取得了最佳成果:
* 文本的自動翻譯。
* 圖像的自動翻譯。
可以在不對序列進行任何預處理的情況下執行文本轉換,從而允許算法學習單詞之間的依賴關系以及它們與新語言的映射,通常使用大型 LSTM 遞歸神經網絡的堆疊網絡來執行該轉換。
正如您所料,卷積神經網絡用于識別具有字母的圖像以及字母在場景中的位置,識別后,可以將它們轉換為文本,翻譯并使用翻譯后的文本重新創建圖像,這通常被稱為即時視覺翻譯。

即時視覺翻譯
即時視覺翻譯示例,取自 [Google 博客](https://research.googleblog.com/2015/07/how-google-translate-squeezes-deep.html)。
### 進一步閱讀
在這個例子中很難找到好的資源,如果你知道的話,可以發表評論。
* [谷歌翻譯如何將深度學習壓縮到手機上](https://research.googleblog.com/2015/07/how-google-translate-squeezes-deep.html)
### 文件
* [用神經網絡進行序列學習的序列](http://arxiv.org/pdf/1409.3215v3.pdf) [pdf],2014
* [使用 RNN 編碼器 - 解碼器進行統計機器翻譯的學習短語表示](http://arxiv.org/pdf/1406.1078v3.pdf) [pdf],2014
* [機器翻譯中的深度神經網絡:概述](http://www.nlpr.ia.ac.cn/cip/ZongPublications/2015/IEEE-Zhang-8-5.pdf) [pdf],2015
## 4.照片中的物體分類和檢測
該任務需要將照片內的對象分類為一組先前已知的對象之一。
使用非常大的卷積神經網絡,已經在該問題的基準示例上獲得了最新的結果,關于ImageNet分類問題AlexNet的結果,Alex Krizhevsky等人在此問題上取得了突破。

使用深度卷積神經網絡從 [ImageNet 分類中獲取的對象分類示例](http://www.cs.toronto.edu/~fritz/absps/imagenet.pdf)
該任務的更復雜的變體是物體檢測涉及具體識別照片場景內的一個或多個物體并在它們周圍畫出邊框。

Photogaphs 中的物體檢測示例
取自 [Google 博客](https://research.googleblog.com/2014/09/building-deeper-understanding-of-images.html)。
### 進一步閱讀
* [加深對圖像的理解](https://research.googleblog.com/2014/09/building-deeper-understanding-of-images.html)
* [AlexNet](https://github.com/BVLC/caffe/tree/master/models/bvlc_alexnet)
* [ConvNetJS:CIFAR-10 演示](http://cs.stanford.edu/people/karpathy/convnetjs/demo/cifar10.html)
### 文件
* [具有深度卷積神經網絡的 ImageNet 分類](http://www.cs.toronto.edu/~fritz/absps/imagenet.pdf) [pdf],2012
* [基于深度卷積神經網絡的圖像分類的一些改進](http://arxiv.org/pdf/1312.5402v1.pdf) [pdf],2013
* [使用深度神經網絡的可擴展物體檢測](http://www.cv-foundation.org/openaccess/content_cvpr_2014/papers/Erhan_Scalable_Object_Detection_2014_CVPR_paper.pdf) [pdf],2013
* [用于物體檢測的深度神經網絡](http://papers.nips.cc/paper/5207-deep-neural-networks-for-object-detection.pdf) [pdf],2013
## 5.自動手寫生成
這是給定一個手寫示例語料庫,為給定的單詞或短語生成新的手寫字體的任務。
手寫體是作為創建手寫樣本時筆使用的坐標序列提供的,從該語料庫中學習筆移動和字母之間的關系,可以生成新的示例。
令人著迷的是,可以學習不同的風格,然后模仿,我很樂意看到這項工作與一些法醫手寫分析專業知識相結合。

自動手寫生成示例
### 進一步閱讀
* [交互式手寫生成演示](http://www.cs.toronto.edu/~graves/handwriting.html)
### 文件
* [使用遞歸神經網絡生成序列](http://arxiv.org/pdf/1308.0850v5.pdf) [pdf],2013
## 6.自動文本生成
這是一項學習了文本語料庫,并且從該模型逐字或逐字符地生成新文本的任務。
該模型能夠學習如何拼寫,標點,形成感知,甚至捕捉語料庫中文本的樣式。
大型遞歸神經網絡用于學習輸入字符串序列中的項之間的關系,然后生成文本。最近,LSTM 循環神經網絡使用基于字符的模型在這個問題上取得了巨大的成功,并且該模型一次生成一個字符。
Andrej Karpathy 在他關于該主題的熱門博客文章中提供了許多例子,包括:
* 保羅格雷厄姆散文
* 莎士比亞
* 維基百科文章(包括標記)
* 代數幾何(帶 LaTeX 標記)
* Linux 源代碼
* 寶貝名字

莎士比亞的自動文本生成示例
摘自 [Andrej Karpathy 博客文章](http://karpathy.github.io/2015/05/21/rnn-effectiveness/)
### 進一步閱讀
* [回歸神經網絡的不合理有效性](http://karpathy.github.io/2015/05/21/rnn-effectiveness/)
* [使用遞歸神經網絡自動生成 Clickbait](https://larseidnes.com/2015/10/13/auto-generating-clickbait-with-recurrent-neural-networks/)
### 文件
* [使用遞歸神經網絡生成文本](http://www.cs.utoronto.ca/~ilya/pubs/2011/LANG-RNN.pdf) [pdf],2011
* [使用遞歸神經網絡生成序列](http://arxiv.org/pdf/1308.0850v5.pdf) [pdf],2013
## 7.圖像自動生成標題
自動生成圖像標題是給定圖像內容,系統必須生成描述圖像內容的標題的任務。
2014 年,深度學習算法爆炸式增長,在此問題上取得了令人印象深刻的成果,利用頂級模型的工作進行目標分類和照片中的目標檢測。
一旦您可以檢測照片中的對象并為這些對象生成標簽,您就會發現下一步是將這些標簽轉換為連貫的句子描述圖像內容。
這是那些讓我震驚不已的結果之一。 確實非常令人印象深刻。
通常,該系統涉及使用非常大的卷積神經網絡用于照片中的物體檢測,然后使用像 LSTM 那樣的遞歸神經網絡將標簽生成連貫的句子。

自動圖像標題生成
樣本取自 [Andrej Karpathy,李飛飛](http://cs.stanford.edu/people/karpathy/deepimagesent/)
這些技術也已擴展為自動生成視頻標題。
### 進一步閱讀
* [一張圖片勝過一千個(連貫的)字:構建圖像的自然描述](https://research.googleblog.com/2014/11/a-picture-is-worth-thousand-coherent.html)
* [自動圖像字幕的快速進展](https://blogs.technet.microsoft.com/machinelearning/2014/11/18/rapid-progress-in-automatic-image-captioning/)
### 文件
* [用于生成圖像描述的深層視覺語義對齊](http://cs.stanford.edu/people/karpathy/cvpr2015.pdf) [pdf]([和網站](http://cs.stanford.edu/people/karpathy/deepimagesent/)),2015
* [用多模式回歸神經網絡解釋圖像](http://arxiv.org/pdf/1410.1090v1.pdf) [pdf,2014]
* [用于視覺識別和描述的長期循環卷積網絡](http://arxiv.org/pdf/1411.4389v4.pdf) [pdf],2014
* [用多模態神經語言模型統一視覺語義嵌入](http://arxiv.org/pdf/1411.2539v1.pdf) [pdf],2014
* [序列到序列 - 視頻到文本](http://arxiv.org/pdf/1505.00487v3.pdf) [pdf],2015
## 8.自動游戲
這是一個模型學習如何僅根據屏幕上的像素來玩電腦游戲的任務。
這是一個深度強化模型的領域非常困難的任務,并且 [DeepMind](https://en.wikipedia.org/wiki/Google_DeepMind) (現在是谷歌的一部分)因實現該問題的突破性進展而聞名。
這項工作得到了擴展,并在谷歌 DeepMind 的 [AlphaGo](https://en.wikipedia.org/wiki/AlphaGo) 中達到頂峰,該游戲在 Go 游戲中擊敗了世界大師。
### 進一步閱讀
* [深層強化學習](https://www.deepmind.com/blog)
* [DeepMind YouTube 頻道](https://www.youtube.com/channel/UCP7jMXSY2xbc3KCAE0MHQ-A)
* [深度學習演示](https://cs.stanford.edu/people/karpathy/convnetjs/demo/rldemo.html)
* [DeepMind 的 AI 現在是 Atari 游戲專業版](http://www.wired.co.uk/article/google-deepmind-atari)
### 文件
* [使用深度強化學習](http://arxiv.org/pdf/1312.5602v1.pdf) [pdf],2013 年播放 Atari
* [通過深度強化學習](http://www.nature.com/nature/journal/v518/n7540/full/nature14236.html)進行人類控制,2015 年
* [用深度神經網絡和樹搜索](http://www.nature.com/nature/journal/v529/n7587/full/nature16961.html)掌握 Go 游戲,2016
## 其他例子
以下是上面列出的一些其他示例。
* 自動語音識別。
* [用于語音識別中聲學建模的深度神經網絡](http://static.googleusercontent.com/media/research.google.com/en//pubs/archive/38131.pdf) [pdf],2012
* 自動語音理解。
* [采用遞歸神經網絡進行端到端語音識別](http://www.jmlr.org/proceedings/papers/v32/graves14.pdf) [pdf],2014
* 自動將注意力集中在圖像中的目標上。
* [視覺注意的復發模型](http://arxiv.org/pdf/1406.6247v1.pdf) [pdf],2014
* 自動回答有關照片中對象的問題。
* [探索圖像問答的模型和數據](http://arxiv.org/pdf/1505.02074v4.pdf) [pdf],2015
* 自動將手稿轉換為照片。
* [卷積手稿反演](https://arxiv.org/abs/1606.03073) [pdf],2016
* 從粗略手稿自動創建風格化圖像。
* [神經涂鴉](https://github.com/alexjc/neural-doodle)

從草圖自動創建樣式圖像
由 [NeuralDoodle](https://github.com/alexjc/neural-doodle) 提供圖像
## 更多資源
有很多很棒的資源,會談和更多幫助你對深度學習的能力和潛力感到興奮。
以下是一些額外的資源,可以幫助您激動。
* [深度學習的不合理效果](https://www.youtube.com/watch?v=sc-KbuZqGkI),Yann LeCun 在 2014 年的演講
* [令人敬畏的深度視覺](https://github.com/kjw0612/awesome-deep-vision)頂級深度學習計算機視覺論文列表
* [可以學習的計算機的精彩和恐怖的含義](https://www.youtube.com/watch?v=t4kyRyKyOpo),Jeremy Howard 的 TED 演講
* [哪種算法取得了最佳效果](http://rodrigob.github.io/are_we_there_yet/build/),計算機視覺數據集的最佳結果列表
* [神經網絡如何真正起作用](https://www.youtube.com/watch?v=l2dVjADTEDU),Geoffrey Hinton 2016
## 摘要
在這篇文章中,您了解了 8 個深度學習應用程序,旨在激勵您能夠深入了解深度學習。
這種展示而不是說出的方法有望突破夸張,使您對深度學習技術的當前和未來功能有一個更清晰的了解。
您是否知道這里沒有列出任何深度學習的鼓舞人心的例子? 在評論中讓我知道。
- Machine Learning Mastery 應用機器學習教程
- 5競爭機器學習的好處
- 過度擬合的簡單直覺,或者為什么測試訓練數據是一個壞主意
- 特征選擇簡介
- 應用機器學習作為一個搜索問題的溫和介紹
- 為什么應用機器學習很難
- 為什么我的結果不如我想的那么好?你可能過度擬合了
- 用ROC曲線評估和比較分類器表現
- BigML評論:發現本機學習即服務平臺的聰明功能
- BigML教程:開發您的第一個決策樹并進行預測
- 構建生產機器學習基礎設施
- 分類準確性不夠:可以使用更多表現測量
- 一種預測模型的巧妙應用
- 機器學習項目中常見的陷阱
- 數據清理:將凌亂的數據轉換為整潔的數據
- 機器學習中的數據泄漏
- 數據,學習和建模
- 數據管理至關重要以及為什么需要認真對待它
- 將預測模型部署到生產中
- 參數和超參數之間有什么區別?
- 測試和驗證數據集之間有什么區別?
- 發現特征工程,如何設計特征以及如何獲得它
- 如何開始使用Kaggle
- 超越預測
- 如何在評估機器學習算法時選擇正確的測試選項
- 如何定義機器學習問題
- 如何評估機器學習算法
- 如何獲得基線結果及其重要性
- 如何充分利用機器學習數據
- 如何識別數據中的異常值
- 如何提高機器學習效果
- 如何在競爭機器學習中踢屁股
- 如何知道您的機器學習模型是否具有良好的表現
- 如何布局和管理您的機器學習項目
- 如何為機器學習準備數據
- 如何減少最終機器學習模型中的方差
- 如何使用機器學習結果
- 如何解決像數據科學家這樣的問題
- 通過數據預處理提高模型精度
- 處理機器學習的大數據文件的7種方法
- 建立機器學習系統的經驗教訓
- 如何使用機器學習清單可靠地獲得準確的預測(即使您是初學者)
- 機器學習模型運行期間要做什么
- 機器學習表現改進備忘單
- 來自世界級從業者的機器學習技巧:Phil Brierley
- 模型預測精度與機器學習中的解釋
- 競爭機器學習的模型選擇技巧
- 機器學習需要多少訓練數據?
- 如何系統地規劃和運行機器學習實驗
- 應用機器學習過程
- 默認情況下可重現的機器學習結果
- 10個實踐應用機器學習的標準數據集
- 簡單的三步法到最佳機器學習算法
- 打擊機器學習數據集中不平衡類的8種策略
- 模型表現不匹配問題(以及如何處理)
- 黑箱機器學習的誘惑陷阱
- 如何培養最終的機器學習模型
- 使用探索性數據分析了解您的問題并獲得更好的結果
- 什么是數據挖掘和KDD
- 為什么One-Hot在機器學習中編碼數據?
- 為什么你應該在你的機器學習問題上進行抽樣檢查算法
- 所以,你正在研究機器學習問題......
- Machine Learning Mastery Keras 深度學習教程
- Keras 中神經網絡模型的 5 步生命周期
- 在 Python 迷你課程中應用深度學習
- Keras 深度學習庫的二元分類教程
- 如何用 Keras 構建多層感知器神經網絡模型
- 如何在 Keras 中檢查深度學習模型
- 10 個用于 Amazon Web Services 深度學習的命令行秘籍
- 機器學習卷積神經網絡的速成課程
- 如何在 Python 中使用 Keras 進行深度學習的度量
- 深度學習書籍
- 深度學習課程
- 你所知道的深度學習是一種謊言
- 如何設置 Amazon AWS EC2 GPU 以訓練 Keras 深度學習模型(分步)
- 神經網絡中批量和迭代之間的區別是什么?
- 在 Keras 展示深度學習模型訓練歷史
- 基于 Keras 的深度學習模型中的dropout正則化
- 評估 Keras 中深度學習模型的表現
- 如何評價深度學習模型的技巧
- 小批量梯度下降的簡要介紹以及如何配置批量大小
- 在 Keras 中獲得深度學習幫助的 9 種方法
- 如何使用 Keras 在 Python 中網格搜索深度學習模型的超參數
- 用 Keras 在 Python 中使用卷積神經網絡進行手寫數字識別
- 如何用 Keras 進行預測
- 用 Keras 進行深度學習的圖像增強
- 8 個深度學習的鼓舞人心的應用
- Python 深度學習庫 Keras 簡介
- Python 深度學習庫 TensorFlow 簡介
- Python 深度學習庫 Theano 簡介
- 如何使用 Keras 函數式 API 進行深度學習
- Keras 深度學習庫的多類分類教程
- 多層感知器神經網絡速成課程
- 基于卷積神經網絡的 Keras 深度學習庫中的目標識別
- 流行的深度學習庫
- 用深度學習預測電影評論的情感
- Python 中的 Keras 深度學習庫的回歸教程
- 如何使用 Keras 獲得可重現的結果
- 如何在 Linux 服務器上運行深度學習實驗
- 保存并加載您的 Keras 深度學習模型
- 用 Keras 逐步開發 Python 中的第一個神經網絡
- 用 Keras 理解 Python 中的有狀態 LSTM 循環神經網絡
- 在 Python 中使用 Keras 深度學習模型和 Scikit-Learn
- 如何使用預訓練的 VGG 模型對照片中的物體進行分類
- 在 Python 和 Keras 中對深度學習模型使用學習率調度
- 如何在 Keras 中可視化深度學習神經網絡模型
- 什么是深度學習?
- 何時使用 MLP,CNN 和 RNN 神經網絡
- 為什么用隨機權重初始化神經網絡?
- Machine Learning Mastery 深度學習 NLP 教程
- 深度學習在自然語言處理中的 7 個應用
- 如何實現自然語言處理的波束搜索解碼器
- 深度學習文檔分類的最佳實踐
- 關于自然語言處理的熱門書籍
- 在 Python 中計算文本 BLEU 分數的溫和介紹
- 使用編碼器 - 解碼器模型的用于字幕生成的注入和合并架構
- 如何用 Python 清理機器學習的文本
- 如何配置神經機器翻譯的編碼器 - 解碼器模型
- 如何開始深度學習自然語言處理(7 天迷你課程)
- 自然語言處理的數據集
- 如何開發一種深度學習的詞袋模型來預測電影評論情感
- 深度學習字幕生成模型的溫和介紹
- 如何在 Keras 中定義神經機器翻譯的編碼器 - 解碼器序列 - 序列模型
- 如何利用小實驗在 Keras 中開發字幕生成模型
- 如何從頭開發深度學習圖片標題生成器
- 如何在 Keras 中開發基于字符的神經語言模型
- 如何開發用于情感分析的 N-gram 多通道卷積神經網絡
- 如何從零開始開發神經機器翻譯系統
- 如何在 Python 中用 Keras 開發基于單詞的神經語言模型
- 如何開發一種預測電影評論情感的詞嵌入模型
- 如何使用 Gensim 在 Python 中開發詞嵌入
- 用于文本摘要的編碼器 - 解碼器深度學習模型
- Keras 中文本摘要的編碼器 - 解碼器模型
- 用于神經機器翻譯的編碼器 - 解碼器循環神經網絡模型
- 淺談詞袋模型
- 文本摘要的溫和介紹
- 編碼器 - 解碼器循環神經網絡中的注意力如何工作
- 如何利用深度學習自動生成照片的文本描述
- 如何開發一個單詞級神經語言模型并用它來生成文本
- 淺談神經機器翻譯
- 什么是自然語言處理?
- 牛津自然語言處理深度學習課程
- 如何為機器翻譯準備法語到英語的數據集
- 如何為情感分析準備電影評論數據
- 如何為文本摘要準備新聞文章
- 如何準備照片標題數據集以訓練深度學習模型
- 如何使用 Keras 為深度學習準備文本數據
- 如何使用 scikit-learn 為機器學習準備文本數據
- 自然語言處理神經網絡模型入門
- 對自然語言處理的深度學習的承諾
- 在 Python 中用 Keras 進行 LSTM 循環神經網絡的序列分類
- 斯坦福自然語言處理深度學習課程評價
- 統計語言建模和神經語言模型的簡要介紹
- 使用 Keras 在 Python 中進行 LSTM 循環神經網絡的文本生成
- 淺談機器學習中的轉換
- 如何使用 Keras 將詞嵌入層用于深度學習
- 什么是用于文本的詞嵌入
- Machine Learning Mastery 深度學習時間序列教程
- 如何開發人類活動識別的一維卷積神經網絡模型
- 人類活動識別的深度學習模型
- 如何評估人類活動識別的機器學習算法
- 時間序列預測的多層感知器網絡探索性配置
- 比較經典和機器學習方法進行時間序列預測的結果
- 如何通過深度學習快速獲得時間序列預測的結果
- 如何利用 Python 處理序列預測問題中的缺失時間步長
- 如何建立預測大氣污染日的概率預測模型
- 如何開發一種熟練的機器學習時間序列預測模型
- 如何構建家庭用電自回歸預測模型
- 如何開發多步空氣污染時間序列預測的自回歸預測模型
- 如何制定多站點多元空氣污染時間序列預測的基線預測
- 如何開發時間序列預測的卷積神經網絡模型
- 如何開發卷積神經網絡用于多步時間序列預測
- 如何開發單變量時間序列預測的深度學習模型
- 如何開發 LSTM 模型用于家庭用電的多步時間序列預測
- 如何開發 LSTM 模型進行時間序列預測
- 如何開發多元多步空氣污染時間序列預測的機器學習模型
- 如何開發多層感知器模型進行時間序列預測
- 如何開發人類活動識別時間序列分類的 RNN 模型
- 如何開始深度學習的時間序列預測(7 天迷你課程)
- 如何網格搜索深度學習模型進行時間序列預測
- 如何對單變量時間序列預測的網格搜索樸素方法
- 如何在 Python 中搜索 SARIMA 模型超參數用于時間序列預測
- 如何在 Python 中進行時間序列預測的網格搜索三次指數平滑
- 一個標準的人類活動識別問題的溫和介紹
- 如何加載和探索家庭用電數據
- 如何加載,可視化和探索復雜的多變量多步時間序列預測數據集
- 如何從智能手機數據模擬人類活動
- 如何根據環境因素預測房間占用率
- 如何使用腦波預測人眼是開放還是閉合
- 如何在 Python 中擴展長短期內存網絡的數據
- 如何使用 TimeseriesGenerator 進行 Keras 中的時間序列預測
- 基于機器學習算法的室內運動時間序列分類
- 用于時間序列預測的狀態 LSTM 在線學習的不穩定性
- 用于罕見事件時間序列預測的 LSTM 模型體系結構
- 用于時間序列預測的 4 種通用機器學習數據變換
- Python 中長短期記憶網絡的多步時間序列預測
- 家庭用電機器學習的多步時間序列預測
- Keras 中 LSTM 的多變量時間序列預測
- 如何開發和評估樸素的家庭用電量預測方法
- 如何為長短期記憶網絡準備單變量時間序列數據
- 循環神經網絡在時間序列預測中的應用
- 如何在 Python 中使用差異變換刪除趨勢和季節性
- 如何在 LSTM 中種子狀態用于 Python 中的時間序列預測
- 使用 Python 進行時間序列預測的有狀態和無狀態 LSTM
- 長短時記憶網絡在時間序列預測中的適用性
- 時間序列預測問題的分類
- Python 中長短期記憶網絡的時間序列預測
- 基于 Keras 的 Python 中 LSTM 循環神經網絡的時間序列預測
- Keras 中深度學習的時間序列預測
- 如何用 Keras 調整 LSTM 超參數進行時間序列預測
- 如何在時間序列預測訓練期間更新 LSTM 網絡
- 如何使用 LSTM 網絡的 Dropout 進行時間序列預測
- 如何使用 LSTM 網絡中的特征進行時間序列預測
- 如何在 LSTM 網絡中使用時間序列進行時間序列預測
- 如何利用 LSTM 網絡進行權重正則化進行時間序列預測
- Machine Learning Mastery 線性代數教程
- 機器學習數學符號的基礎知識
- 用 NumPy 陣列輕松介紹廣播
- 如何從 Python 中的 Scratch 計算主成分分析(PCA)
- 用于編碼器審查的計算線性代數
- 10 機器學習中的線性代數示例
- 線性代數的溫和介紹
- 用 NumPy 輕松介紹 Python 中的 N 維數組
- 機器學習向量的溫和介紹
- 如何在 Python 中為機器學習索引,切片和重塑 NumPy 數組
- 機器學習的矩陣和矩陣算法簡介
- 溫和地介紹機器學習的特征分解,特征值和特征向量
- NumPy 對預期價值,方差和協方差的簡要介紹
- 機器學習矩陣分解的溫和介紹
- 用 NumPy 輕松介紹機器學習的張量
- 用于機器學習的線性代數中的矩陣類型簡介
- 用于機器學習的線性代數備忘單
- 線性代數的深度學習
- 用于機器學習的線性代數(7 天迷你課程)
- 機器學習的線性代數
- 機器學習矩陣運算的溫和介紹
- 線性代數評論沒有廢話指南
- 學習機器學習線性代數的主要資源
- 淺談機器學習的奇異值分解
- 如何用線性代數求解線性回歸
- 用于機器學習的稀疏矩陣的溫和介紹
- 機器學習中向量規范的溫和介紹
- 學習線性代數用于機器學習的 5 個理由
- Machine Learning Mastery LSTM 教程
- Keras中長短期記憶模型的5步生命周期
- 長短時記憶循環神經網絡的注意事項
- CNN長短期記憶網絡
- 逆向神經網絡中的深度學習速成課程
- 可變長度輸入序列的數據準備
- 如何用Keras開發用于Python序列分類的雙向LSTM
- 如何開發Keras序列到序列預測的編碼器 - 解碼器模型
- 如何診斷LSTM模型的過度擬合和欠擬合
- 如何開發一種編碼器 - 解碼器模型,注重Keras中的序列到序列預測
- 編碼器 - 解碼器長短期存儲器網絡
- 神經網絡中爆炸梯度的溫和介紹
- 對時間反向傳播的溫和介紹
- 生成長短期記憶網絡的溫和介紹
- 專家對長短期記憶網絡的簡要介紹
- 在序列預測問題上充分利用LSTM
- 編輯器 - 解碼器循環神經網絡全局注意的溫和介紹
- 如何利用長短時記憶循環神經網絡處理很長的序列
- 如何在Python中對一個熱編碼序列數據
- 如何使用編碼器 - 解碼器LSTM來回顯隨機整數序列
- 具有注意力的編碼器 - 解碼器RNN體系結構的實現模式
- 學習使用編碼器解碼器LSTM循環神經網絡添加數字
- 如何學習長短時記憶循環神經網絡回聲隨機整數
- 具有Keras的長短期記憶循環神經網絡的迷你課程
- LSTM自動編碼器的溫和介紹
- 如何用Keras中的長短期記憶模型進行預測
- 用Python中的長短期內存網絡演示內存
- 基于循環神經網絡的序列預測模型的簡要介紹
- 深度學習的循環神經網絡算法之旅
- 如何重塑Keras中長短期存儲網絡的輸入數據
- 了解Keras中LSTM的返回序列和返回狀態之間的差異
- RNN展開的溫和介紹
- 5學習LSTM循環神經網絡的簡單序列預測問題的例子
- 使用序列進行預測
- 堆疊長短期內存網絡
- 什么是教師強制循環神經網絡?
- 如何在Python中使用TimeDistributed Layer for Long Short-Term Memory Networks
- 如何準備Keras中截斷反向傳播的序列預測
- 如何在使用LSTM進行訓練和預測時使用不同的批量大小
- Machine Learning Mastery 機器學習算法教程
- 機器學習算法之旅
- 用于機器學習的裝袋和隨機森林集合算法
- 從頭開始實施機器學習算法的好處
- 更好的樸素貝葉斯:從樸素貝葉斯算法中獲取最多的12個技巧
- 機器學習的提升和AdaBoost
- 選擇機器學習算法:Microsoft Azure的經驗教訓
- 機器學習的分類和回歸樹
- 什么是機器學習中的混淆矩陣
- 如何使用Python從頭開始創建算法測試工具
- 通過創建機器學習算法的目標列表來控制
- 從頭開始停止編碼機器學習算法
- 在實現機器學習算法時,不要從開源代碼開始
- 不要使用隨機猜測作為基線分類器
- 淺談機器學習中的概念漂移
- 溫和介紹機器學習中的偏差 - 方差權衡
- 機器學習的梯度下降
- 機器學習算法如何工作(他們學習輸入到輸出的映射)
- 如何建立機器學習算法的直覺
- 如何實現機器學習算法
- 如何研究機器學習算法行為
- 如何學習機器學習算法
- 如何研究機器學習算法
- 如何研究機器學習算法
- 如何在Python中從頭開始實現反向傳播算法
- 如何用Python從頭開始實現Bagging
- 如何用Python從頭開始實現基線機器學習算法
- 如何在Python中從頭開始實現決策樹算法
- 如何用Python從頭開始實現學習向量量化
- 如何利用Python從頭開始隨機梯度下降實現線性回歸
- 如何利用Python從頭開始隨機梯度下降實現Logistic回歸
- 如何用Python從頭開始實現機器學習算法表現指標
- 如何在Python中從頭開始實現感知器算法
- 如何在Python中從零開始實現隨機森林
- 如何在Python中從頭開始實現重采樣方法
- 如何用Python從頭開始實現簡單線性回歸
- 如何用Python從頭開始實現堆棧泛化(Stacking)
- K-Nearest Neighbors for Machine Learning
- 學習機器學習的向量量化
- 機器學習的線性判別分析
- 機器學習的線性回歸
- 使用梯度下降進行機器學習的線性回歸教程
- 如何在Python中從頭開始加載機器學習數據
- 機器學習的Logistic回歸
- 機器學習的Logistic回歸教程
- 機器學習算法迷你課程
- 如何在Python中從頭開始實現樸素貝葉斯
- 樸素貝葉斯機器學習
- 樸素貝葉斯機器學習教程
- 機器學習算法的過擬合和欠擬合
- 參數化和非參數機器學習算法
- 理解任何機器學習算法的6個問題
- 在機器學習中擁抱隨機性
- 如何使用Python從頭開始擴展機器學習數據
- 機器學習的簡單線性回歸教程
- 有監督和無監督的機器學習算法
- 用于機器學習的支持向量機
- 在沒有數學背景的情況下理解機器學習算法的5種技術
- 最好的機器學習算法
- 教程從頭開始在Python中實現k-Nearest Neighbors
- 通過從零開始實現它們來理解機器學習算法(以及繞過壞代碼的策略)
- 使用隨機森林:在121個數據集上測試179個分類器
- 為什么從零開始實現機器學習算法
- Machine Learning Mastery 機器學習入門教程
- 機器學習入門的四個步驟:初學者入門與實踐的自上而下策略
- 你應該培養的 5 個機器學習領域
- 一種選擇機器學習算法的數據驅動方法
- 機器學習中的分析與數值解
- 應用機器學習是一種精英政治
- 機器學習的基本概念
- 如何成為數據科學家
- 初學者如何在機器學習中弄錯
- 機器學習的最佳編程語言
- 構建機器學習組合
- 機器學習中分類與回歸的區別
- 評估自己作為數據科學家并利用結果建立驚人的數據科學團隊
- 探索 Kaggle 大師的方法論和心態:對 Diogo Ferreira 的采訪
- 擴展機器學習工具并展示掌握
- 通過尋找地標開始機器學習
- 溫和地介紹預測建模
- 通過提供結果在機器學習中獲得夢想的工作
- 如何開始機器學習:自學藍圖
- 開始并在機器學習方面取得進展
- 應用機器學習的 Hello World
- 初學者如何使用小型項目開始機器學習并在 Kaggle 上進行競爭
- 我如何開始機器學習? (簡短版)
- 我是如何開始機器學習的
- 如何在機器學習中取得更好的成績
- 如何從在銀行工作到擔任 Target 的高級數據科學家
- 如何學習任何機器學習工具
- 使用小型目標項目深入了解機器學習工具
- 獲得付費申請機器學習
- 映射機器學習工具的景觀
- 機器學習開發環境
- 機器學習金錢
- 程序員的機器學習
- 機器學習很有意思
- 機器學習是 Kaggle 比賽
- 機器學習現在很受歡迎
- 機器學習掌握方法
- 機器學習很重要
- 機器學習 Q& A:概念漂移,更好的結果和學習更快
- 缺乏自學機器學習的路線圖
- 機器學習很重要
- 快速了解任何機器學習工具(即使您是初學者)
- 機器學習工具
- 找到你的機器學習部落
- 機器學習在一年
- 通過競爭一致的大師 Kaggle
- 5 程序員在機器學習中開始犯錯誤
- 哲學畢業生到機器學習從業者(Brian Thomas 采訪)
- 機器學習入門的實用建議
- 實用機器學習問題
- 使用來自 UCI 機器學習庫的數據集練習機器學習
- 使用秘籍的任何機器學習工具快速啟動
- 程序員可以進入機器學習
- 程序員應該進入機器學習
- 項目焦點:Shashank Singh 的人臉識別
- 項目焦點:使用 Mahout 和 Konstantin Slisenko 進行堆棧交換群集
- 機器學習自學指南
- 4 個自學機器學習項目
- álvaroLemos 如何在數據科學團隊中獲得機器學習實習
- 如何思考機器學習
- 現實世界機器學習問題之旅
- 有關機器學習的有用知識
- 如果我沒有學位怎么辦?
- 如果我不是一個優秀的程序員怎么辦?
- 如果我不擅長數學怎么辦?
- 為什么機器學習算法會處理以前從未見過的數據?
- 是什么阻礙了你的機器學習目標?
- 什么是機器學習?
- 機器學習適合哪里?
- 為什么要進入機器學習?
- 研究對您來說很重要的機器學習問題
- 你這樣做是錯的。為什么機器學習不必如此困難
- Machine Learning Mastery Sklearn 教程
- Scikit-Learn 的溫和介紹:Python 機器學習庫
- 使用 Python 管道和 scikit-learn 自動化機器學習工作流程
- 如何以及何時使用帶有 scikit-learn 的校準分類模型
- 如何比較 Python 中的機器學習算法與 scikit-learn
- 用于機器學習開發人員的 Python 崩潰課程
- 用 scikit-learn 在 Python 中集成機器學習算法
- 使用重采樣評估 Python 中機器學習算法的表現
- 使用 Scikit-Learn 在 Python 中進行特征選擇
- Python 中機器學習的特征選擇
- 如何使用 scikit-learn 在 Python 中生成測試數據集
- scikit-learn 中的機器學習算法秘籍
- 如何使用 Python 處理丟失的數據
- 如何開始使用 Python 進行機器學習
- 如何使用 Scikit-Learn 在 Python 中加載數據
- Python 中概率評分方法的簡要介紹
- 如何用 Scikit-Learn 調整算法參數
- 如何在 Mac OS X 上安裝 Python 3 環境以進行機器學習和深度學習
- 使用 scikit-learn 進行機器學習簡介
- 從 shell 到一本帶有 Fernando Perez 單一工具的書的 IPython
- 如何使用 Python 3 為機器學習開發創建 Linux 虛擬機
- 如何在 Python 中加載機器學習數據
- 您在 Python 中的第一個機器學習項目循序漸進
- 如何使用 scikit-learn 進行預測
- 用于評估 Python 中機器學習算法的度量標準
- 使用 Pandas 為 Python 中的機器學習準備數據
- 如何使用 Scikit-Learn 為 Python 機器學習準備數據
- 項目焦點:使用 Artem Yankov 在 Python 中進行事件推薦
- 用于機器學習的 Python 生態系統
- Python 是應用機器學習的成長平臺
- Python 機器學習書籍
- Python 機器學習迷你課程
- 使用 Pandas 快速和骯臟的數據分析
- 使用 Scikit-Learn 重新調整 Python 中的機器學習數據
- 如何以及何時使用 ROC 曲線和精確調用曲線進行 Python 分類
- 使用 scikit-learn 在 Python 中保存和加載機器學習模型
- scikit-learn Cookbook 書評
- 如何使用 Anaconda 為機器學習和深度學習設置 Python 環境
- 使用 scikit-learn 在 Python 中進行 Spot-Check 分類機器學習算法
- 如何在 Python 中開發可重復使用的抽樣檢查算法框架
- 使用 scikit-learn 在 Python 中進行 Spot-Check 回歸機器學習算法
- 使用 Python 中的描述性統計來了解您的機器學習數據
- 使用 OpenCV,Python 和模板匹配來播放“哪里是 Waldo?”
- 使用 Pandas 在 Python 中可視化機器學習數據
- Machine Learning Mastery 統計學教程
- 淺談計算正態匯總統計量
- 非參數統計的溫和介紹
- Python中常態測試的溫和介紹
- 淺談Bootstrap方法
- 淺談機器學習的中心極限定理
- 淺談機器學習中的大數定律
- 機器學習的所有統計數據
- 如何計算Python中機器學習結果的Bootstrap置信區間
- 淺談機器學習的Chi-Squared測試
- 機器學習的置信區間
- 隨機化在機器學習中解決混雜變量的作用
- 機器學習中的受控實驗
- 機器學習統計學速成班
- 統計假設檢驗的關鍵值以及如何在Python中計算它們
- 如何在機器學習中談論數據(統計學和計算機科學術語)
- Python中數據可視化方法的簡要介紹
- Python中效果大小度量的溫和介紹
- 估計隨機機器學習算法的實驗重復次數
- 機器學習評估統計的溫和介紹
- 如何計算Python中的非參數秩相關性
- 如何在Python中計算數據的5位數摘要
- 如何在Python中從頭開始編寫學生t檢驗
- 如何在Python中生成隨機數
- 如何轉換數據以更好地擬合正態分布
- 如何使用相關來理解變量之間的關系
- 如何使用統計信息識別數據中的異常值
- 用于Python機器學習的隨機數生成器簡介
- k-fold交叉驗證的溫和介紹
- 如何計算McNemar的比較兩種機器學習量詞的測試
- Python中非參數統計顯著性測試簡介
- 如何在Python中使用參數統計顯著性測試
- 機器學習的預測間隔
- 應用統計學與機器學習的密切關系
- 如何使用置信區間報告分類器表現
- 統計數據分布的簡要介紹
- 15 Python中的統計假設檢驗(備忘單)
- 統計假設檢驗的溫和介紹
- 10如何在機器學習項目中使用統計方法的示例
- Python中統計功效和功耗分析的簡要介紹
- 統計抽樣和重新抽樣的簡要介紹
- 比較機器學習算法的統計顯著性檢驗
- 機器學習中統計容差區間的溫和介紹
- 機器學習統計書籍
- 評估機器學習模型的統計數據
- 機器學習統計(7天迷你課程)
- 用于機器學習的簡明英語統計
- 如何使用統計顯著性檢驗來解釋機器學習結果
- 什么是統計(為什么它在機器學習中很重要)?
- Machine Learning Mastery 時間序列入門教程
- 如何在 Python 中為時間序列預測創建 ARIMA 模型
- 用 Python 進行時間序列預測的自回歸模型
- 如何回溯機器學習模型的時間序列預測
- Python 中基于時間序列數據的基本特征工程
- R 的時間序列預測熱門書籍
- 10 挑戰機器學習時間序列預測問題
- 如何將時間序列轉換為 Python 中的監督學習問題
- 如何將時間序列數據分解為趨勢和季節性
- 如何用 ARCH 和 GARCH 模擬波動率進行時間序列預測
- 如何將時間序列數據集與 Python 區分開來
- Python 中時間序列預測的指數平滑的溫和介紹
- 用 Python 進行時間序列預測的特征選擇
- 淺談自相關和部分自相關
- 時間序列預測的 Box-Jenkins 方法簡介
- 用 Python 簡要介紹時間序列的時間序列預測
- 如何使用 Python 網格搜索 ARIMA 模型超參數
- 如何在 Python 中加載和探索時間序列數據
- 如何使用 Python 對 ARIMA 模型進行手動預測
- 如何用 Python 進行時間序列預測的預測
- 如何使用 Python 中的 ARIMA 進行樣本外預測
- 如何利用 Python 模擬殘差錯誤來糾正時間序列預測
- 使用 Python 進行數據準備,特征工程和時間序列預測的移動平均平滑
- 多步時間序列預測的 4 種策略
- 如何在 Python 中規范化和標準化時間序列數據
- 如何利用 Python 進行時間序列預測的基線預測
- 如何使用 Python 對時間序列預測數據進行功率變換
- 用于時間序列預測的 Python 環境
- 如何重構時間序列預測問題
- 如何使用 Python 重新采樣和插值您的時間序列數據
- 用 Python 編寫 SARIMA 時間序列預測
- 如何在 Python 中保存 ARIMA 時間序列預測模型
- 使用 Python 進行季節性持久性預測
- 基于 ARIMA 的 Python 歷史規模敏感性預測技巧分析
- 簡單的時間序列預測模型進行測試,這樣你就不會欺騙自己
- 標準多變量,多步驟和多站點時間序列預測問題
- 如何使用 Python 檢查時間序列數據是否是固定的
- 使用 Python 進行時間序列數據可視化
- 7 個機器學習的時間序列數據集
- 時間序列預測案例研究與 Python:波士頓每月武裝搶劫案
- Python 的時間序列預測案例研究:巴爾的摩的年度用水量
- 使用 Python 進行時間序列預測研究:法國香檳的月銷售額
- 使用 Python 的置信區間理解時間序列預測不確定性
- 11 Python 中的經典時間序列預測方法(備忘單)
- 使用 Python 進行時間序列預測表現測量
- 使用 Python 7 天迷你課程進行時間序列預測
- 時間序列預測作為監督學習
- 什么是時間序列預測?
- 如何使用 Python 識別和刪除時間序列數據的季節性
- 如何在 Python 中使用和刪除時間序列數據中的趨勢信息
- 如何在 Python 中調整 ARIMA 參數
- 如何用 Python 可視化時間序列殘差預測錯誤
- 白噪聲時間序列與 Python
- 如何通過時間序列預測項目
- Machine Learning Mastery XGBoost 教程
- 通過在 Python 中使用 XGBoost 提前停止來避免過度擬合
- 如何在 Python 中調優 XGBoost 的多線程支持
- 如何配置梯度提升算法
- 在 Python 中使用 XGBoost 進行梯度提升的數據準備
- 如何使用 scikit-learn 在 Python 中開發您的第一個 XGBoost 模型
- 如何在 Python 中使用 XGBoost 評估梯度提升模型
- 在 Python 中使用 XGBoost 的特征重要性和特征選擇
- 淺談機器學習的梯度提升算法
- 應用機器學習的 XGBoost 簡介
- 如何在 macOS 上為 Python 安裝 XGBoost
- 如何在 Python 中使用 XGBoost 保存梯度提升模型
- 從梯度提升開始,比較 165 個數據集上的 13 種算法
- 在 Python 中使用 XGBoost 和 scikit-learn 進行隨機梯度提升
- 如何使用 Amazon Web Services 在云中訓練 XGBoost 模型
- 在 Python 中使用 XGBoost 調整梯度提升的學習率
- 如何在 Python 中使用 XGBoost 調整決策樹的數量和大小
- 如何在 Python 中使用 XGBoost 可視化梯度提升決策樹
- 在 Python 中開始使用 XGBoost 的 7 步迷你課程