Avis des lecteurs
Il n'y a actuellement aucun avis de lecteur. La note est basée sur 2 votes.
Titre original :
Time Series Forecasting using Deep Learning
Contenu du livre :
L'apprentissage profond, qui comprend les réseaux neuronaux profonds (RNP), a obtenu d'excellents résultats dans la classification des images, la reconnaissance vocale, etc.
Mais les réseaux neuronaux profonds sont confrontés à de nombreux défis pour la prévision des séries temporelles (TSF), car la plupart des données des séries temporelles sont de nature non linéaire et ont un comportement très dynamique. La prévision des séries temporelles a un impact important sur notre environnement socio-économique.
Par conséquent, pour relever ces défis, le modèle DNN doit être redéfini, et en gardant cela à l'esprit, le prétraitement des données, l'architecture du réseau et les paramètres du réseau doivent être pris en compte avant d'introduire les données dans les modèles DNN. La normalisation des données est la technique de base de prétraitement des données à partir de laquelle l'apprentissage doit être effectué. L'efficacité de la TSF dépend fortement de la technique de normalisation des données.
Dans ce livre, différentes méthodes de normalisation sont utilisées sur les données de séries temporelles avant d'alimenter les données dans le modèle DNN et nous essayons de trouver l'impact de chaque technique de normalisation sur le DNN pour la TSF. Nous proposons également le réseau neuronal récurrent profond (DRNN) pour prédire l'indice de clôture de la bourse de Bombay (BSE) et de la bourse de New York (NYSE) en utilisant des données de séries temporelles.
Autres informations sur le livre :
| ISBN : | 9783330046160 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
Achat:
Actuellement disponible, en stock.
