Análise prática de séries temporais

Capítulo 10. Deep Learning para séries temporais

Este trabalho foi traduzido com recurso a IA. Agradecemos o teu feedback e comentários: [e-mail]

A aprendizagem Deep para séries temporais é um projeto relativamente novo, mas promissor. Como a aprendizagem profunda é uma técnica altamente flexível, pode ser vantajosa para a análise de séries temporais. O mais promissor é que oferece a possibilidade de modelar comportamentos temporais altamente complexos e não lineares sem ter de adivinhar formas funcionais - o que pode ser um fator de mudança para técnicas de previsão não estatísticas.

Se não estás familiarizado com a Deep Learning, aqui está um resumo de um parágrafo (entraremos em mais detalhes mais tarde). A Deep Learning descreve um ramo da aprendizagem automática em que é construído um "gráfico" que liga os nós de entrada a uma estrutura complicada de nós e arestas. Ao passar de um nó para outro através de uma aresta, um valor é multiplicado pelo peso dessa aresta e depois, normalmente, passa por algum tipo de função de ativação não linear. É esta função de ativação não linear que torna a Deep Learning tão interessante: permite-nos ajustar dados altamente complexos e não lineares, algo que não tinha sido feito com muito sucesso anteriormente.

O Deep Learning ganhou vida própria principalmente nos últimos 10 anos, uma vez que as melhorias no hardware disponível comercialmente foram associadas a enormes quantidades de dados para permitir este tipo de ajuste ...