Capitolo 11. Utilizzo dei metodi convoluzionali e ricorrenti per i modelli di sequenza
Questo lavoro è stato tradotto utilizzando l'AI. Siamo lieti di ricevere il tuo feedback e i tuoi commenti: translation-feedback@oreilly.com
Gli ultimi capitoli ti hanno introdotto ai dati delle sequenze. Hai visto come prevederli, prima utilizzando metodi statistici e poi metodi ML di base con una rete neurale profonda. Hai anche analizzato come mettere a punto gli iperparametri del modello per ottenere prestazioni migliori .
In questo capitolo analizzerai altre tecniche che possono migliorare ulteriormente la tua capacità di prevedere i dati delle sequenze utilizzando le reti neurali convoluzionali e le reti neurali ricorrenti.
Convoluzioni per i dati di sequenza
Nel Capitolo 3 ti abbiamo presentato le convoluzioni, in cui un filtro bidimensionale (2D) viene passato su un'immagine per modificarla e potenzialmente estrarre delle caratteristiche. Nel corso del tempo, la rete neurale imparava quali valori del filtro erano efficaci per far corrispondere le modifiche apportate ai pixel alle loro etichette, estraendo così effettivamente delle caratteristiche dall'immagine. La stessa tecnica può essere applicata ai dati delle serie temporali numeriche, ma con una modifica: la convoluzione sarà monodimensionale (1D) invece che bidimensionale.
Considera, ad esempio, la serie di numeri della Figura 11-1.
Figura 11-1. Una sequenza di numeri
Una convoluzione 1D potrebbe operare come segue. Considera ...
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month, and much more.
