- 博客(2)
- 收藏
- 关注
RSS订阅原创 Datawhale AI 夏令营——电力需求预测挑战赛——Task3学习笔记
时间序列预测是一个不断发展的领域，随着技术的进步，我们可以期待更多的优化方法和模型的出现。深度学习模型，特别是LSTM和其变体，已经在许多时间序列预测任务中显示出了优越的性能。更复杂的模型结构：如引入注意力机制的LSTM模型，以更好地捕捉时间序列中的长期依赖关系。多模态数据融合：结合时间序列数据和其他类型的数据，如文本或图像，以提供更全面的分析。模型解释性：提高模型的可解释性，以便更好地理解预测结果。自动化特征工程：开发自动化的特征工程工具，以减少手动特征提取的工作量。实时预测。
2024-07-20 15:38:10
666
原创 Datawhale AI 夏令营——基于术语词典干预的机器翻译挑战赛——Task3学习笔记
基于循环或卷积神经网络的序列到序列建模方法是现存机器翻译任务中的经典方法。然而，它们在建模文本长程依赖方面都存在一定的局限性。对于卷积神经网络来说，受限的上下文窗口在建模长文本方面天然地存在不足。如果要对长距离依赖进行描述，需要多层卷积操作，而且不同层之间信息传递也可能有损失，这些都限制了模型的能力。而对于循环神经网络来说，上下文的语义依赖是通过维护循环单元中的隐状态实现的。在编码过程中，每一个时间步的输入建模都涉及到对隐藏状态的修改。
2024-07-19 17:24:15
617
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人