Os últimos capítulos apresentaram-te os dados de sequência. Viste como predizê-los, primeiro usando métodos estatísticos e depois usando métodos básicos de ML com uma rede neural profunda. Também exploraste como ajustar os hiperparâmetros do modelo para obter um melhor desempenho.
Neste capítulo, verás técnicas adicionais que podem melhorar ainda mais a tua capacidade de prever dados de sequência usando redes neurais convolucionais, bem como redes neurais recorrentes.
Convoluções para dados de seqüência
No Capítulo 3, você foi apresentado às convoluções, nas quais um filtro bidimensional (2D) é passado sobre uma imagem para modificá-la e potencialmente extrair caraterísticas. Com o tempo, a rede neural aprendeu quais valores de filtro eram eficazes para fazer a correspondência entre as modificações feitas nos pixels e seus rótulos, extraindo assim caraterísticas da imagem. A mesma técnica pode ser aplicada a dados numéricos de séries temporais, mas com uma modificação: a convolução será unidimensional (1D) em vez de bidimensional.
Considera, por exemplo, a série de números da Figura 11-1.
Figura 11-1. Uma seqüência de números
Uma convolução 1D poderia operar sobre eles da seguinte ...
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.
