Лекция 4. Обучение нейронных сетей в Keras, ч. 2 (Анализ данных на Python в примерах и задачах. Ч2) 

Иван Иванов присоединяюсь!

13

20@@purplep3466

CrazyMult это скорее всего Google colaboratory

jupyter notebook

jupyter notebook

Можно на colab.research.google.com тоже самое провернуть

впн, дргуг мой

привет! подскажи пожалуйста, не могу разобраться, как в итоге сделать прогноз на n периодов вперёд? модель то мы сделали, а как её применить? в начале лекции говорилось, что уже обученную модель мы применяем к последним 12 значениям нашего набора и таким образом получаем 13ое. дальше используем это предсказанное значение и 11 предыдущих для прогнозирования 14го и так далее. если получилось разобраться как это сделать, скинь эту часть кода пожалуйста

@@Sasha-je4do привет, давно проходил, уженк помню деталей, советую лекцию ещё раз посмотреть внимательно

Такую сеть трудно (долго) обучать. Вы хотите одну сеть для решения 12 задач одновременно. Проще построить 12 сетей для прогноза на 1, 2, ...12 месяцев вперед.

Вопрос 2. Временной ряд имеет такое свойство как последовательность. Плюс влияние сезонности, номер дня недели, маркетинговые мероприятия. Предположим есть еще признаки-колонки "Дата" ("dd.mm.yyyy" или количество дней, прошедших с 0 января 1900 года), "Коэффициент сезонности" (0.01 - 1.00), "Номер дня недели" (1,2, ..., 7) и "Есть акция в торговой точке? (0 и 1)". Возможно ли задать такую модель, чтобы модель нейронной сети дополнительно отдельно брала информацию из этих четырех признаков? А также различала эти 4 признака от других признаков (t-1, t-2, ..., t-12)? Если да, то как это сделать?

Вопрос 3. Предположим есть ежедневные данные по продажам одного SKU одной торговой точки за 12 месяцев. Продажи не каждый день, например, Дата Продажи 01.01.2020 5 02.01.2020 3 03.01.2020 1 05.01.2020 4 07.01.2020 2 ... ... Скажите, для таких данных, где в каких-то датах отсутствуют продажи, как настраивать модель нейронной сети? После построения модели и получения прогнозных данных суммируются с остальными SKU и торговыми точками.

@@mrx8312 Добавьте входы для каждого предиктора (тут их часто называют регрессорами). увеличьте матрицу входных данных на эти столбцы. С предикторами все как в линейной регрессии

@@mrx8312 Есть много стратегий... Самая простая - заполнять интерполяцией с учетом сезонности

@@Vadim_Abbakumov Скажите, будет ли видео, где используется рекуррентная нейронная сеть. Так как эта сеть учитывает последовательность, что и характерно для временного ряда.

Придется много модифицировать в определениях. Засунуть туда сезонность и тренд. Их же там нет. Что стоит сделать - модифицировать критерий качества под вариант с распределением Пуассона. Об этом критерии качества я кратко упоминал, когда показывал статью Ridgeway'я в теме Gradient Boosting

Упускаем на этапе отбора модели. На этапе окончательного прогнозирования все последние наблюдения снова в обучающей выборке!

Можно, но IMHO именно при прогнозировании неплохо получается и без стандартизации...

Я в растерянности. Прогноз продаж, прогноз складских запасов - все это никому не нужно?