<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[一口气全念对的专栏]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/andebiny</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; andebiny]]></copyright><item><title><![CDATA[Kaggle Tabular Playground Series - Jan 2022 学习笔记2（使用时间序列的线性回归）]]></title><link>https://blog.csdn.net/andebiny/article/details/124431712</link><guid>https://blog.csdn.net/andebiny/article/details/124431712</guid><author>andebiny</author><pubDate>Tue, 26 Apr 2022 17:07:18 +0800</pubDate><description><![CDATA[之前我们对TPSJAN22进行了简单的数据分析（详见：Kaggle Tabular Playground Series - Jan 2022 学习笔记1（数据分析））。现在我们尝试使用时间序列和线性回归来训练模型。]]></description><category></category></item><item><title><![CDATA[Kaggle Tabular Playground Series - Jan 2022 学习笔记1（数据分析）]]></title><link>https://blog.csdn.net/andebiny/article/details/124348383</link><guid>https://blog.csdn.net/andebiny/article/details/124348383</guid><author>andebiny</author><pubDate>Fri, 22 Apr 2022 16:19:27 +0800</pubDate><description><![CDATA[Kaggle Tabular Playground Series - Jan 2022 学习笔记1（数据分析）
详情参考：Tabular Playground Series - Jan 2022
简介：给出了两家商店在三个国家在2015年-2018年的三种产品的每天的销售量，要求预测2019年的销售量。]]></description><category></category></item><item><title><![CDATA[Kaggle时间序列(Time Series)教程 6-使用机器学习预测(forecasting-with-machine-learning)]]></title><link>https://blog.csdn.net/andebiny/article/details/122966417</link><guid>https://blog.csdn.net/andebiny/article/details/122966417</guid><author>andebiny</author><pubDate>Wed, 16 Feb 2022 16:33:20 +0800</pubDate><description><![CDATA[引言
在第2课和第3课中，我们将预测视为一个简单的回归问题，我们的所有特征都来自单个输入，即时间索引。 只需生成我们想要的趋势和季节性特征，我们就可以轻松地创建未来任何时间的预测。
然而，当我们在第4课中添加滞后特征时，问题的性质发生了变化。 滞后特征要求在预测时已知滞后目标值。 一个lag_1将时间序列向前移动1步，这意味着您可以预测未来1步，但不能预测2步。
在第4课中，我们只是假设我们总是可以产生延迟到我们想要预测的时期（换句话说，每个预测都只是向前迈出一步）。 现实世界的预测通常需要更多的东西，因此]]></description><category></category></item><item><title><![CDATA[Kaggle时间序列(Time Series)教程 5-混合模型(Hybrid Models)]]></title><link>https://blog.csdn.net/andebiny/article/details/122959009</link><guid>https://blog.csdn.net/andebiny/article/details/122959009</guid><author>andebiny</author><pubDate>Wed, 16 Feb 2022 11:10:07 +0800</pubDate><description><![CDATA[引言
线性回归擅长推断趋势，但无法学习相互作用。 XGBoost 擅长学习相互互，但无法推断趋势。 在本课中，我们将学习如何创建“混合”预测器，将互补的学习算法结合起来，让一个的优势弥补另一个的弱点。
组件(Components)和残差(Residuals)
为了设计出有效的混合模型，我们需要更好地理解时间序列是如何构建的。 到目前为止，我们已经研究了三种依赖模式：趋势、季节和周期。 许多时间序列可以通过仅由这三个组件加上一些本质上不可预测的、完全随机的错误的相加模型来描述：
series = trend ]]></description><category></category></item><item><title><![CDATA[Kaggle时间序列(Time Series)教程 4-时间序列作为特征(Time Series As Features)]]></title><link>https://blog.csdn.net/andebiny/article/details/122947236</link><guid>https://blog.csdn.net/andebiny/article/details/122947236</guid><author>andebiny</author><pubDate>Tue, 15 Feb 2022 16:25:26 +0800</pubDate><description><![CDATA[什么是序列依赖（Serial Dependence）？
在前面的课程中，我们研究了像*时间依赖(time dependent)属性这种容易建模的时间序列性质 ，也就是说，我们可以直接从时间索引中获得特征。 然而，一些时间序列只能使用序列依赖(serially dependent)*的属性来建模，即 使用目标序列的过去值作为特征。 根据时间来绘图，这些时间序列的结构可能并不明显； 然而，根据过去的值来绘制，结构就会变得清晰——如下图所示。


这两个系列具有序列依赖，但不具有时间依赖。 右边的点的坐标为(时间]]></description><category></category></item><item><title><![CDATA[Kaggle时间序列(Time Series)教程 3-季节性(Seasonality)]]></title><link>https://blog.csdn.net/andebiny/article/details/122940092</link><guid>https://blog.csdn.net/andebiny/article/details/122940092</guid><author>andebiny</author><pubDate>Tue, 15 Feb 2022 11:24:20 +0800</pubDate><description><![CDATA[什么是季节性？
只要序列的平均值有规律的、周期性的变化，我们就说时间序列表现出季节性。 季节性变化通常遵循时钟和日历——一般一天、一周或一年的重复。 季节性通常是由自然界在几天和几年内的循环或围绕的日期和时间的社会行为惯例驱动的。


四个时间序列中的季节性。


我们将学习两种关于季节性的特征。 第一种，指示器(indicators)，最适合一个季节性周期中有少量的观察值，例如在每天的观察值中找到以周为周期的季节性。 第二种，傅里叶特征(Fourier features)，最适合一个季节性周期中有许多的观]]></description><category></category></item><item><title><![CDATA[Kaggle时间序列(Time Series)教程 2-趋势(Trend)]]></title><link>https://blog.csdn.net/andebiny/article/details/122876653</link><guid>https://blog.csdn.net/andebiny/article/details/122876653</guid><author>andebiny</author><pubDate>Fri, 11 Feb 2022 11:27:43 +0800</pubDate><description><![CDATA[什么是趋势(Trend)？
时间序列的趋势部分表示该序列平均值的持续、长期变化。 趋势是一系列中移动最慢的部分，代表了最大时间尺度的重要性。 在产品销售的时间序列中，随着越来越多的人逐年意识到该产品，销售量可能是增加的趋势。

四个时间序列中的趋势

在本节课中，我们将关注均值趋势。 更一般地说，一个序列中任何持续的和缓慢移动的变化都可能构成一个趋势——例如，时间序列通常具有变化的趋势。
移动平均图(moving average plot)
要查看时间序列可能具有什么样的趋势，我们可以使用移动平均图。 为了]]></description><category></category></item><item><title><![CDATA[Kaggle时间序列(Time Series)教程1-时间序列的线性回归(Linear Regression with Time Series)]]></title><link>https://blog.csdn.net/andebiny/article/details/122864702</link><guid>https://blog.csdn.net/andebiny/article/details/122864702</guid><author>andebiny</author><pubDate>Thu, 10 Feb 2022 17:14:27 +0800</pubDate><description><![CDATA[最近学习机器学习，在kaggle看到的简单时间序列教程，于是翻译一下已做记录。渣翻译，请见谅。欢迎评论讨论，指出错误，互相学习！
原文地址。
欢迎来到时间序列课程!
预测也许是现实世界中机器学习最常见的应用。企业预测产品需求，政府预测经济和人口增长，气象学家预测天气。对未来事物的理解是科学、政府和工业界的迫切需求（更不用说我们的个人生活了！），这些领域的从业者越来越多地应用机器学习来满足这一需求。
时间序列预测是一个历史悠久的广阔领域。本课程侧重于将现代机器学习方法应用于时间序列数据，以产生最准确的预测。本]]></description><category></category></item><item><title><![CDATA[mac通过源码构建eos]]></title><link>https://blog.csdn.net/andebiny/article/details/89005490</link><guid>https://blog.csdn.net/andebiny/article/details/89005490</guid><author>andebiny</author><pubDate>Wed, 03 Apr 2019 21:32:36 +0800</pubDate><description><![CDATA[首先从官方仓库克隆源码下来，克隆仓库的时候要把子模块也包含进去
git clone https://github.com/EOSIO/eos
--recursive

如果之前没有使用–recursive克隆，可以使用下面的命令
git submodule update --init --recursive

开始自动构建
cd eos
./eosio_build.sh 

在构建途中可能会出现错...]]></description><category></category></item><item><title><![CDATA[ubuntu xampp以及git配置]]></title><link>https://blog.csdn.net/andebiny/article/details/89005459</link><guid>https://blog.csdn.net/andebiny/article/details/89005459</guid><author>andebiny</author><pubDate>Wed, 03 Apr 2019 21:31:10 +0800</pubDate><description><![CDATA[xampp 安装
wget https://www.apachefriends.org/xampp-files/7.2.11/xampp-linux-x64-7.2.11-0-installer.run

chmod 777 xampp-linux-x64-7.2.11-0-installer.run

./xampp-linux-x64-7.2.11-0-installer.run 

lamp...]]></description><category></category></item><item><title><![CDATA[redis 安装配置]]></title><link>https://blog.csdn.net/andebiny/article/details/89005402</link><guid>https://blog.csdn.net/andebiny/article/details/89005402</guid><author>andebiny</author><pubDate>Wed, 03 Apr 2019 21:28:42 +0800</pubDate><description><![CDATA[cd /opt

wget http://download.redis.io/releases/redis-5.0.3.tar.gz

tar xzf redis-5.0.3.tar.gz

cd redis-5.0.3
# 如果没有安装make和gcc
apt install make
apt install gcc
####
make test
make install

mkdir bin
...]]></description><category></category></item><item><title><![CDATA[Linux中supervisor的配置与使用]]></title><link>https://blog.csdn.net/andebiny/article/details/89005315</link><guid>https://blog.csdn.net/andebiny/article/details/89005315</guid><author>andebiny</author><pubDate>Wed, 03 Apr 2019 21:24:16 +0800</pubDate><description><![CDATA[ubuntu中安装supervisor安装supervisor生成配置文件修改/etc/supervisor/supervisord.conf文件内容执行命令使配置文件生效在/etc/supervisor/下创建conf.d文件夹，及ProjectName.conf(以项目名称命名的)文件内容如下：
安装supervisor
sudo apt-get install supervisor

生成配...]]></description><category></category></item></channel></rss>