在Uber系统内,事件预测使我们能够根据预期用户需求来提高我们的服务质量.最终目标是准确地预测出在预定的时间内Uber将会在何处,何时以及收到多少次的乘车请求. 一般来说,极端事件--诸如假期.音乐会.恶劣天气和体育赛事等高峰旅行时间,只会提高工作规划预测的重要性.在极端事件期间计算需求时间序列预测(demand time series forecasting)是异常检测(anomaly detection),最优资源分配(optimal resource allocation)和预算的关键组成

本文是一个简单的一元线性回归的例子, 需要了解相关理论知识可参考 : http://blog.163.com/digoal@126/blog/static/163877040201523112651593/ 数据来自股票的收盘价. 如果要做多元分析, 请自行增加维度(例如大盘指数,成交量,最低,最高价,价格区间等等都可以那里做回归计算), 计算期望值. 例子如下 : 按实际顺序录入test, 如时间从小到大, ID从小到大, 最终目标是用前一个值预测下一个值 第一条记录是最老的值, 最后一条记录

以贵州茅台的历史数据为例, 校验预测误差如下 :  未来1天的最准 未来第二天的预测开始误差开始放大, 但是放大还不明显.. 未来第三天,第四天的就有比较大的误差率. 将数据导入源表 --  插入顺序从旧到新排列. 不要搞反了, 例如 06/02/2010 13.49 13.49 12.52 13.03 38670320 1571709568.000 06/03/2010 13.09 13.26 12.69 12.75 27873689 1135419264.000 06/04/2010 12.

STATWORX 团队近日从 Google Finance API 中精选出了 S&P 500 数据,该数据集包含 S&P 500 的指数和股价信息.有了这些数据,他们就希望能利用深度学习模型和 500 支成分股价预测 S&P 500 指数.STATWORX 团队的数据集十分新颖,但只是利用四个隐藏层的全连接网络实现预测,读者也可以下载该数据尝试更加优秀的循环神经网络 本文非常适合初学者了解如何使用 TensorFlow 构建基本的神经网络,它全面展示了构建一个 TensorFlo

本文是一个通过模拟预测股票,教会大家如何动手操作TensorFlow的教程,结果不具有权威性.因为股票价格的实际预测是一项非常复杂的任务,尤其是像本文这种按分钟的预测. 导入并预处理数据 我们的团队从我们的抓取服务器中的数据并csv格式的保存.数据集包含n = 41266分钟的数据,从2017年4月到8月,500只股票,以及标准普尔500指数成份股.指数和股票以宽格式排列. 数据集:http://files.statworx.com/sp500.zip 1 # Import data 2 dat

TensorFlow对Android.iOS.树莓派都提供移动端支持. 移动端应用原理.移动端.嵌入式设备应用深度学习方式,一模型运行在云端服务器,向服务器发送请求,接收服务器响应:二在本地运行模型,PC训练模型,放到移动端预测.向服务端请求数据可行性差,移动端资源稀缺.本地运行实时性更好.加速计算,内存空间和速度优化.精简模型,节省内存空间,加快计算速度.加快框架执行速度,优化模型复杂度和每步计算速度. 精简模型,用更低权得精度,量化(quantization).权重剪枝(weight pru

近日,一种专门用于在网页内执行神经网络算法的JavaScript库--TensorFire引起了人们的关注,这种JavaScript库在浏览器中使用GPU加速运行谷歌的TensorFlow,是机器学习走向大众化的一种方式. TensorFire由麻省理工学院研究生团队开发,可以在任何GPU上运行TensorFlow-style的机器学习模型,不需要任何像Keras-js这样特定于GPU中间件的机器学习库.TensorFire是通过程序员已经接触过的一些软件或硬件来向广大用户提供学习.Tensor

完整的工作代码可在github.com/lilianweng/stock-rnn找到.如果你不知道什么是循环神经网络(RNN)或长短期记忆网络(LSTM)单元,可以翻阅作者之前的文章,或者查看云栖翻译小组其他文章 互联网上也有很多类似教程,比如: ·      使用Tensorflow实现RNN-LSTM的noob指南 ·      TensorFlow RNN教程 ·      LSTM通过使用Tensorflow的示例 ·      如何在TensorFlow中构建RNN ·      Te

首发地址:https://yq.aliyun.com/articles/72738 作者介绍:Jesse Clark 研究相位恢复的物理学家.数据科学家,有着丰富的建设网站与设计手机应用的经验,在创业公司有着丰富的经验,对创业有着极大的热情.  Github: https://github.com/jn2clark Linkedin: http://www.linkedin.com/in/j3ss3cl4rk 相位恢复(PR)关心的是在给定幅度信息以及受到实空间限制下,找到复值函数(通常在傅立叶