雷锋网AI学习公司近年来，随着深度学习在图像和声音中的迅速发展，很多领域的开发者都关注这一新兴领域，深度学习是否适用于很多实际场景？ 深度学习一定比传统的统计方法或机器学习方法好吗？ 在本次公开课上，作者结合实际杉数科技实际项目经验，分析了深入学习的技术细节和实际效果。
共享嘉宾:追加，杉数科技高级算法工程师，美国明尼苏达大学本科和硕士学位，专业是自动控制和计算机科学。 2017年3月加入杉数科技，主要负责收益管理和需求预测。
公共课程链接: http://www.mooc.ai/open/course/672？ =from%20leiphone
共享主题:时间序列预测中的深度学习介绍
分享要点:
深刻的学习背景介绍
深度学习算法综述
实际案例研究
推荐的读书
雷锋网AI学习公司将其共享内容整理如下
简单自我介绍一下，我是杉树算法工程师，主要负责机器学习、数据分析工作，有零售业的预测经验，今天在这里主要分享经验，这是今天的主要纲要
在
的最初背景下，相信不知道深刻的学习这个词。 深入学习到底是什么呢？结合图，他有不同的层次，不用的层次协调处理一些特征筛选，达到了最终目的。
为什么要使用深度学习图中这三篇论文奠定了近年来深度学习的基础，但我将为什么要使用深度学习归纳为两点，一是大数据，企业中存储大数据为深度学习提供燃料，二是高性能计算，GPU在深度学习中放出异彩
简单介绍
以下的基本应用程序，例如图像上的应用程序
NLP上的应用程序:
下面简单介绍深度学习的两个基础框架。 首先，卷积神经网络，总共有五个部分，其他卷积神经网络的变种也不离开其宗教，只对这五个部分进行了具体的调整，如下图所示
被当今话题所折服，如果要进行持续预测的话，会如何利用卷积神经网络呢？ 在一般情况下遇到的预测问题都是一维的，旨在使用一维卷积神经网络，例如预测天气或商店营业额，output能够使用先前的样本点来输入预测的样本点。 作为卷积神经网络，有滑动窗口这样的概念，所以通过滑动序列能够产生这样的特征。 怎样才能提取出更多的特征呢？ 需要叠加更多的卷积层，可以得到更多的特征提取能力。 简言之，一维卷积神经网络是持久预测比较的一种方式，也是大家都想尝试的方向。
次是循环神经网络，他具有自然的时序处理能力。 图中我列举的是比较复杂的模型，但原理大致相同。
Google提出的Encoder-Decoder模型主要用于声音生成等相关部分，Encoder将模型作为context存储，并传递给Decoder。 这个模型在当时的谷歌翻译中非常成功。 该模型虽然简单，但确实是非常经典的预测模型，在实用中也很常见。
以下介绍的案例是某大型移动平台的交通预测。 预测某个地区未来某个时间段的需求和供给不足。 例如北京东城区8点到8点30分有多少人开出租车，订单数据可能是所获得的最基本的数据，但其他数据，如城市POI信息、交通拥堵信息、天气信息等，这些数据是我们预测时主要考虑的几个方面。
0如何构建深度学习模型？在嵌入中处理一些固有属性，通过将它们连接起来构成identity块，older块和user块是与订单相关的数据，supply chedding 右侧图中使用的残差链接可以使训练获得更好的收敛性，并且可以有效地缓和没有梯度的问题。 图为深度学习整体框架。
的效果如何？由此图可知，深度学习对一些峰值的预测有效果，与机器学习的方式可能相同，但是拐点的预测方式具有优势。
以下的例子是部件量的预测，这也是时间序列问题，在预测时也能得到一些历史数据，方法也与上述例子类似。 由于知道深入学习的大框架，其他细节可以稍微调整一下，基本的建模构想与前者大致相同。
从
处的结果来看，该图的结果可能比前一张照片反映了深度学习的特性，同样的深度学习模型对一些峰值和谷值的预测更加准确。 然而，从图中可以看出，简单地融合两个模型可以获得更准确的结果。
总体来看，以上是实际经验中的代表性例子，在预测拐点这一问题上，深度学习可能容易发现某些规律，但如果实际上需要更准确的模型，将深度学习模型与其它模型相结合的方法较好。
接下来，我向您推荐一本如图所示的书
今天共享的内容只有这些。 谢谢你。
以上是本期嘉宾的全部共享内容。 更多开讲视频是雷锋网(公众编号:雷锋网) AI学习社区( https://ai.yanxishe.com/？ =from%20leiphone )查看。 关注微信号公众编号: AI学习社( okweiwu )可获得最新的开课生转播时间预告。
- 上一篇：有龙字的成句-成句中的巢湖:龙凤呈祥
- 下一篇：没有了