11. Обзор современных алгоритмов предсказания временных рядов. Продолжение
00:12 Задачи классификации временных рядов
• В видео обсуждаются задачи классификации временных рядов, которые включают определение наличия инфаркта или нормального сердцебиения, определение режимов сна, обнаружение человека с оружием или металлическим предметом, а также идентификацию устройств в сети.
• Эти задачи относятся к медицинской диагностике, кибербезопасности и информационно-кибернетическим системам.
09:19 Методы классификации временных рядов
• В видео обсуждаются два подхода к классификации временных рядов: на основе сегментов данных и на основе признаков.
• Первый подход подразумевает анализ полного сегмента данных, а второй - выделение признаков из сегмента и преобразование их в таблицу.
• Отличие этих подходов заключается в том, что первый подход избыточен с точки зрения хранения данных и вычислительных ресурсов, но позволяет получить всю информацию о классе.
• Второй подход позволяет выделить интерпретируемые признаки, но не всегда ясно, какие признаки нужны и сколько их может быть.
14:00 Методы классификации временных рядов
• В видео обсуждаются различные методы классификации временных рядов, включая методы на основе признаков и модификации известных методов машинного обучения.
• Упоминаются такие методы, как случайный лес и xg Boost, которые также хорошо работают на признаках.
23:50 Интервальные оценки и поиск интервалов
• В видео обсуждаются интервальные оценки, которые позволяют выбрать сегмент данных для классификации.
• Интервальные оценки могут быть случайными, оправданными с точки зрения задачи или подбираться в ходе оптимизации алгоритма.
• Один из основных методов поиска интервалов - поиск так называемых “летов плет“, которые наиболее характеризуют каждый класс.
30:09 Признаки временных рядов
• В видео обсуждаются различные признаки временных рядов, включая описательные статистики, временные параметры, спектральные параметры и время частотные показатели.
• Признаки могут быть весьма разными и зависят от задачи классификации.
32:03 Классификация временных рядов
• Автор выделяет три типа признаков для классификации временных рядов: точечные, векторные и многомерные.
• Обсуждаются стратегии выбора признаков, включая использование стандартных фреймворков и специализированных подходов.
34:35 Выделение признаков
• Автор обсуждает различные подходы к выделению признаков, включая использование стандартных фреймворков, таких как XGBoost и метод опорных векторов, а также специализированных версий, таких как лес временных рядов и его модификация.
• Упоминается алгоритм “Уловка 22“, который выделяет 22 признака для каждого интервала временного ряда.
44:47 Обнаружение аномалий
• Автор обсуждает задачу обнаружения аномалий в данных, которая является важной в приложениях информационной безопасности и других областях.
• Упоминаются продолжительные аномалии, которые могут возникать в данных временных рядов, и особые требования к их обнаружению.
• Автор подчеркивает, что обнаружение аномалий должно быть интерпретировано и, возможно, устранено, прежде чем принимать решение о том, является ли аномалия реальной.
47:38 Обнаружение аномалий во временных рядах
• Видео обсуждает методы обнаружения аномалий во временных рядах, включая контролируемые, полуконтролируемые и неконтролируемые методы.
• Контролируемые методы включают использование порогов и ошибок предсказания для обнаружения аномалий.
• Полуконтролируемые методы используют обучение на классе “норма“ и “аномалия“ для обнаружения аномалий.
52:24 Использование глубоких нейронных сетей, таких как рекуррентные и трансформеры, для обнаружения аномалий во временных рядах.
• Приводится пример использования одномерных сверточных нейронных сетей для классификации временных рядов.
57:37 Классификация временных рядов на примере набора данных потребления электроэнергии в Германии.
• Задача заключается в определении времени года на основе сегментов временного ряда.
• Используются классические методы, такие как табличные методы и методы на основе соседей, для классификации.
01:04:33 Различные методы анализа временных рядов, включая поиск повторяющихся паттернов и классификацию временных рядов.
• Модификация Т, использующая численные производные, показывает высокую точность.
• Поиск повторяющихся паттернов может быть полезен для классификации временных рядов.
01:07:13 Классификация временных рядов на основе признаков, включая классификатор на основе случайных ядер.
• Точность классификаторов на основе признаков может быть сравнима с точностью классификаторов на основе словарей.
01:10:46 Работа с глубокими нейронными сетями для анализа временных рядов.
• Сравнение различных архитектур и гиперпараметров может помочь определить наиболее подходящую архитектуру для конкретной задачи.
01:16:52 Заключение
• Важность изучения различных методов анализа временных рядов для решения раз
1 view
1369
338
6 months ago 00:45:22 1
Иностранцы на МАСЛЕНИЦЕ в Суздале: блины, частушки и ночевка на печи | ИНТУРИСТЫ
6 months ago 01:06:10 1
Много Крутых Товаров За 2 Бакса с Алиэкспресс!!
6 months ago 00:19:18 1
СЦИНДАПСУСЫ: все сорта ОДИНАКОВЫЕ? Обзор моей небольшой КОЛЛЕКЦИИ сциндапсусов
6 months ago 00:18:35 1
Сравнение IP WiFi камер видеонаблюдения
6 months ago 00:51:29 4
Худшая GTS 450 из всех, которые мне попадались....
6 months ago 01:34:07 1
4K Tyumen Streets - Car Driving Relax Video - Ural, Russia- Поездка по осенней Тюмени
6 months ago 00:16:36 1
КИТАЙСКИЙ СКАМ - ФЕЙК AliExpress, ЧТО ВНУТРИ?
6 months ago 00:09:46 1
Как скачать и спасти файлы если Windows не запускается
6 months ago 00:28:43 3
📦 SSD бокс UGREEN 40Gbps 🛫 - МЕГА СКОРОСТНОЙ накопитель из будущего