|
课程培训
|
时间序列预测深度学习培训课程
时间序列预测深度学习培训课程培训对象人工智能学院本科生和研究生，以及希望系统学习时间序列深度学习方法的科研人员和工程师，具备一定的机器学习和Python基础。 培训目标系统掌握时间序列分析的传统统计方法与现代深度学习方法，理解从ARIMA到Transformer、大语言模型的时间序列预测技术演进，能够将时序思维应用于人工智能领域的实际问题。 培训内容介绍一、 时间序列基础知识：讲解时间序列的基本定义、分析任务类型，梳理时间序列分析的流派及发展简史，介绍基于机器学习的时间序列预测思路。 二、 时间序列预测预处理：掌握常用数据集和基线方法，学习预测评价指标，掌握缺失值补全、Box-Cox变换等预处理技术。 三、 经典预测方法：学习回归模型、指数平均方法（ETS）、Theta模型、近邻方法（延迟坐标嵌入）等经典预测技术。 四、 基于统计的预测模型：深入理解随机过程在时间序列分析中的应用，掌握平稳性概念、相关统计量及估计方法，学习平稳序列的建模思想（Cramer分解定理和Wold分解定理）。 五、 ARIMA模型家族：系统学习AR模型、MA模型、ARMA模型、ARIMA模型的原理与应用，理解AR思想在NADE、WaveNet等现代模型中的延伸。 六、 季节效应与分解方法：学习有季节效应的时序模型构建，掌握时间序列分解方法、DHR-ARIMA及Prophet模型的应用。 七、 数据驱动预测模型：掌握状态空间模型、卡尔曼滤波的应用，学习时域预测数据构造、多步预测策略及模型集成方案。 八、 循环神经网络应用：深入讲解RNN、LSTM在时间序列预测中的建模方法，理解其处理时序依赖的优势和局限。 九、 卷积神经网络与时序建模：学习时间卷积网络（Temporal CNN）的原理，探索CNN在时序特征提取中的应用。 十、 Transformer与注意力机制：掌握基于Transformer的时间序列建模方法，理解自注意力机制在捕捉长程依赖中的作用。 十一、 MLP与先进时序模型：学习N-BEATS、NHITS等基于MLP的时序模型，探索SCINet、MICN、TimesNet、MTS-Mixers等前沿模型。 十二、 大语言模型与时序通用模型：探索基于语言模型（One Fits All, LLMTime, TimeLLM）和基于视觉模型的时序通用模型，学习时序表示学习、分类、聚类、异常检测等高级应用。
如果您想学习本课程，请预约报名
如果没找到合适的课程或有特殊培训需求，请订制培训 除培训外，同时提供相关技术咨询与技术支持服务，有需求请发需求表到邮箱soft@info-soft.cn,或致电4007991916 技术服务需求表下载请点击 服务优势： 丰富专家资源，精准匹配相关行业，相关项目技术精英，面向用户实际需求，针对性培训或咨询，互动式交流，案例教学，精品小班，实际工程项目经验分享，快捷高效，节省时间与金钱，少走弯路与错路。 专家力量： 中国科学院相关研究所高级研究人员 西门子，TI,vmware，MSC,Ansys，MDI，Mentor, candence,Altium,Atmel 、Freescale,达索，华为等 大型公司高级工程师，项目经理，技术支持专家 中科信软培训中心，资深专家或讲师 大多名牌大学，硕士以上学历，相关学历背景专业，理论素养高 多年实际项目实践，大型复杂项目实战案例分享，热情，乐于技术分享 针对客户实际需要，真实案例演示，互动式沟通，学有所值 |
|
