))
Predicting the Future from the Past: Sequential RNN Stuff
Manage episode 448632341 series 3605861
Το περιεχόμενο παρέχεται από το Brian Carter. Όλο το περιεχόμενο podcast, συμπεριλαμβανομένων των επεισοδίων, των γραφικών και των περιγραφών podcast, μεταφορτώνεται και παρέχεται απευθείας από τον Brian Carter ή τον συνεργάτη της πλατφόρμας podcast. Εάν πιστεύετε ότι κάποιος χρησιμοποιεί το έργο σας που προστατεύεται από πνευματικά δικαιώματα χωρίς την άδειά σας, μπορείτε να ακολουθήσετε τη διαδικασία που περιγράφεται εδώ https://el.player.fm/legal.
This text is an excerpt from the "Dive into Deep Learning" book, specifically focusing on the processing of sequential data. The authors introduce the challenges of working with data that occurs in a specific order, like time series or text, and how these sequences cannot be treated as independent observations. They delve into autoregressive models, where future values are predicted based on past values, and highlight the common problem of error accumulation when predicting further into the future. The text discusses the concept of Markov models, where only a limited history is needed to predict future events, as well as the importance of understanding the causal structure of the data. The excerpt then provides a practical example of using linear regression for autoregressive modeling on synthetic time series data and demonstrates the limitations of simple models for long-term prediction.
Read more: https://d2l.ai/chapter_recurrent-neural-networks/sequence.html
67 επεισόδια
Μοίρασέ το
