精华内容
下载资源
问答
  • Python时序预测

    2019-11-26 11:47:47
    怎样才能确保现投资这些硬币未来一定能带来稳定的收益呢?我们不能确定,但肯定能根据以前的价格产生一个近似值。时序模型是预测的一种方法。 除了加密货币,还有许多重要的应用时序预测的领域,例如:销售预测,...

    介绍

    大多数人都听说过关于Cryptocurrency,许多人也许会投资他们的加密货币。但是,投资这种不稳定的货币安全吗?怎样才能确保现投资这些硬币未来一定能带来稳定的收益呢?我们不能确定,但肯定能根据以前的价格产生一个近似值。时序模型是预测的一种方法。

    除了加密货币,还有许多重要的应用时序预测的领域,例如:销售预测,呼叫中心的通话量,太阳的活动,海潮,股市行为等等。

    目录

    理解问题描述和数据集

    安装库

    方法 1 –以简单的方式开始

    方法2 – 简单平均数

    方法3 – 移动平均数

    方法 4 –指数平滑法

    方法5 – Holt线性趋势法

    方法6 – Holt冬季季节法

    方法7 –综合自回归移动平均法(ARIMA)

    理解问题描述和数据集

    提供了涉及预测JetRail通勤人数的时序问题,一个新的高速铁路服务。我们提供了2年的数据,并利用这些数据预测未来7个月的通勤人数。

    在本文中,只使用训练数据集。

    从以上的报表上看到,我们有2年的按小时计的通勤数据(2012-2014),需要预估未来的通勤数量。

    在本文中,我构造子集和汇总数据集以便讲解不同的方法。

    构造数据集的子集 (2012/08 – 2013/12)

    为建模构造训练和测试文件。前14个月的数据被用作训练数据(2012/08 - 2013/10),后两个月的被用作测试数据(2013/11 - 2013/12)。

    每天汇总数据集。

    把数据(用于训练的和测试的)可视化,以了解在一段时间内是如何变化的。

    安装库(statsmodels)

    用来进行时序预测的库是statsmodels。在应用很少的给定方法之前,需要安装一下。statsmodels可能已经安装在你的Python开发环境了,但它不支持的预测方法。我们将从存储库克隆一下并进行源码安装。按照如下步骤 :

    1.使用PIP冻结检查statsmodels是否已经安装在你的环境中;

    2.如果已经存在,使用“conda remove statsmodels” 删除;

    3.用 “git clone git://github.com/statsmodels/statsmodels.git”克隆statsmodels的存储库,在克隆前用“git init”初始化Git;

    4.用“cd statsmodels”进入到statsmodels目录;

    5.用“python setup.py build”建安装文件;

    6.用“python setup.py install”进行安装;

    7.退出bash/terminal;

    8.重启bash/terminal,打开python并执行“from statsmodels.tsa.api import ExponentialSmoothing”进行验证;

    方法1: 用Naive方法开始

    考虑下面的曲线图:

    从图中我们可以看出,从一开始,硬币的价格是稳定的。大多时候我们都有一个在整个时间段都比较稳定的数据集。如果想预测第二天的价格,可以简单地用前一天的价格数据,估计第二天的价格。这种假定下一个期望点等于最后一个观测点的预测技术称为Naive方法。

    现在我们采用Naive 方法来预测测试数据的价格。

    现在我们将计算均方根误差(RMSE)以检查测试数据集上模型的精度。

    可以从RMSE值和上面的图推断,Naive方法不适合变化频繁的数据集,它最适合稳定的数据集。

    方法2 简单均值法

    考虑下面的图。

    可以从图中推断,硬币的价格是以微小的幅度随机上升和下降的,平均值不变。很多时候,我们得到了一个数据集,虽然它在整个时间段内有一个较小的变化,但是每个时间段的平均值保持不变。在这种情况下,我们可以预测第二天的价格与之前每天的平均值相近。

    这种预测期望值等于所有观测点平均值的预测技术称为简单均值法。

    我们取前面已知的所有值,计算平均值,并将其作为下一个值。当然,它并不精确,而是稍微接近。作为一种预测方法,实际情况是这个技术最有效。

    现在将计算均方根误差检查模型的准确性

    可以看出这种模式没有提高我们的分数。因此,我们能从得分推断,这种方法在每个时间段的平均值保持不变的时候效果最好。虽然Naive法的得分优于均值法,但这并不意味着Naive法在所有数据集上都优于均值法。

    方法3 移动均值法

    考虑下面曲线图,

    从图中可以推断,硬币的价格在一段时间以前大幅度地提高了,但现在是稳定的。很多时候,我们得到了一个数据集,其中一段时间以前对象的价格/销售量急剧增加/急剧下降。使用初期的价格会对下一个时间段的预测产生很大影响。所以相对于简单均值法的改进,只计算最后几个时间段的平均价格。显然,只有最近的值才是重要的。这种利用时间窗计算平均值的预测技术称为移动均值法。

    利用一个简单的移动均值模型,根据一个不变的有限数p的平均值来预测时间序列中的下一个或多个值。因此,对所有的 i > p。

    移动均值法实际上是非常有效的,尤其是当你给序列选择正确的p值时。

    我们只选择了过去2个月的数据。现在将计算均方根误差来检查模型的准确性。

    可以看到,Naive方法对于数据集要优于均值法和移动均值法。现在来看一下简单指数平滑法,看看它是如何执行的。

    移动均值法的改进方法——加权移动均值法。在上述移动均值法中,我们同样权衡过去的N个观测值。但我们可能遇到的情况是,过去的每一次观察都以不同的方式影响预测。这种以不同的方式权衡过去观测值的技术称为加权移动均值技术。

    加权移动均值是一个移动平均值,在滑动窗口的值中赋予不同的权重。

    选择窗口的大小,需要一个权重列表。例如,如果选择[ 0.40,0.25,0.20,0.15 ]作为权重,将分别给出40%,25%,20%和15%。

    方法4 简单指数平滑法

    在理解了上述方法之后,可以注意到,简单均值法和加权移动均值法是完全相反的。我们需要在这两个方法之间采取某种方法,这两个方法在用不同的方式权衡数据点的同时要考虑所有数据。这种技术称为简单指数平滑法。预测是用加权平均来计算的,之前观测值的权重是指数递减的,最小的权重与最早的观测值相关:

    0≤ α ≤1是参数。

    先一步预测时间T + 1是一个序列中的所有观测值的加权平均值Y1,…,YT。权重下降的速率由参数α决定。

    如果观察足够长的时间,你会看到,期望ŷx是α⋅YT和(1−α)⋅ŶT-1的和。

    也可以写成 :

    所以基本上我们已经有了一个1−α和α的加权移动平均值:。

    可以看到,1−α乘以之前预期的表达递归的值ŷx−1。这就是为什么这种方法被称为Exponential。在时间t + 1的预测等于最近观察值yt和最近预测值ŷt|t−1之间的加权平均值。

    现在将计算均方根误差检查模型的准确性。

    可以看到,用alpha值为0.6的简单指数模型形成一个更好的模型,到现在为止,生成一个更好的模型。

    方法 5 霍尔特线性趋势法

    我们现在已经学会了几种预测方法,但可以看到,这些模型在变化较大数据上不是太好。

    趋势是在一段时间内观察到的价格的一般模式。如Naive方法会假定最后两点之间的趋势将保持不变,或者可以在所有点之间的平均斜率得到一个平均趋势,使用移动趋势均值或指数平滑法。

    但我们需要一种方法,能准确无误地绘制趋势图。考虑数据集趋势的这种方法称为霍尔特线性趋势法。每个时间序列的数据集可以被分解为不同趋势的组成部分,季节性和剩余。任何跟随趋势的数据集都可以使用Holt线性趋势法进行预测。

    从图表可以看出,该数据集呈增长趋势。因此,可以用Holt的线性趋势来预测未来的价格。

    霍尔特扩展简单指数平滑方法,允许有趋势的数据预测。它只适用于两个等级(多个序列的平均值)和趋势的指数平滑方法。用数学符号表示,现在需要三个等式:一个用于等级,一个用于趋势,一个结合等级与得到预测值Ŷ的趋势

    我们在上述算法中预测的值称为等级。在上面的三个等式中,可以注意到我们增加了等级和趋势来生成预测等式。

    作为简单指数平滑法,这里的等级等式表明它是一个观察数的加权平均值和样本内前步预测。趋势等式表明,这是一个基于ℓ(t)−ℓ(t−1)和和b(t−1)的时间t的预测趋势的加权平均值。

    我们将添加这些等式来生成预测等式。也可以通过乘以趋势和等级而不是增加,来生成乘法预测等式。当趋势呈线性上升或下降时,则采用加法等式,而当趋势呈指数下降时,则采用乘法等式。实践表明乘法是一种更稳定的预测,但加性方法更容易理解。

    现在将计算均方根误差检查模型的准确性

    方法6 Holt-Winters方法

    考虑一个位于山上的旅馆。在夏季期间有很高的访问量,而今年余下时间的游客相对较少。因此,业主的利润在夏季比其他季节都要好得多。而且每年都一样,是季节性的。数据集在一段固定的时间间隔内显示出相似性。

    由于季节性因素,使用霍尔特冬季方法将是其它模型中最好的选择。霍尔特-温特斯季节性方法包括预测等式和三个平滑等式-一个似乎等级ℓt,一个是趋势bt,一个是季节组成部分st,平滑参数α,β和γ。

    其中S是季节性周期的长度,0≤α≤1, 0≤β≤1和0≤γ≤1。

    现在将计算均方根误差检查模型的准确性

    从图中可以看出,正确的趋势和季节性的映射提供了一个更好的解决方案。

    方法7 ARIMA

    另一个在数据科学家中非常流行的时间序列模型是ARIMA。它代表自回归积分移动平均(Autoregressive Integrated Moving average)。指数平滑模型是基于对趋势和季节性数据的描述,ARIMA模型的目的是描述数据之间的相关性。ARIMA的改进考虑到数据集的季节性,就像Holt-Winters方法一样。

    现在将计算均方根误差检查模型的准确性。

    可以看到,使用季节性ARIMA生成一个类似Holt’s Winter的解决方案。我们选择的参数为ACF和PACF图。

    可以在RMSE分数的基础上比较这些模型。

    展开全文
  • (Python)时序预测的七种方法

    万次阅读 2018-03-29 13:58:52
    怎样才能确保现投资这些硬币未来一定能带来稳定的收益呢?我们不能确定,但肯定能根据以前的价格产生一个近似值。时序模型是预测的一种方法。介绍大多数人都听说过关于Cryptocurrency,许多人也许会投资他们的加密...

    摘要: 大多数人都听说过关于Cryptocurrency,许多人也许会投资他们的加密货币。但是,投资这种不稳定的货币安全吗?怎样才能确保现投资这些硬币未来一定能带来稳定的收益呢?我们不能确定,但肯定能根据以前的价格产生一个近似值。时序模型是预测的一种方法。

    介绍

    大多数人都听说过关于Cryptocurrency,许多人也许会投资他们的加密货币。但是,投资这种不稳定的货币安全吗?怎样才能确保现投资这些硬币未来一定能带来稳定的收益呢?我们不能确定,但肯定能根据以前的价格产生一个近似值。时序模型是预测的一种方法。


    除了加密货币,还有许多重要的应用时序预测的领域,例如:销售预测,呼叫中心的通话量,太阳的活动,海潮,股市行为等等。

    目录

    • 理解问题描述和数据集
    • 安装库
    • 方法 1 –以简单的方式开始
    • 方法2 – 简单平均数
    • 方法3 – 移动平均数
    • 方法 4 –指数平滑法
    • 方法5 – Holt线性趋势法
    • 方法6 – Holt冬季季节法
    • 方法7 –综合自回归移动平均法(ARIMA)

    理解问题描述和数据集

    提供了涉及预测JetRail通勤人数的时序问题,一个新的高速铁路服务。我们提供了2年的数据,并利用这些数据预测未来7个月的通勤人数。

    在本文中,只使用训练数据集。


    从以上的报表上看到,我们有2年的按小时计的通勤数据(2012-2014),需要预估未来的通勤数量。

    在本文中,我构造子集和汇总数据集以便讲解不同的方法。

    • 构造数据集的子集 (2012/08 – 2013/12)
    • 为建模构造训练和测试文件。前14个月的数据被用作训练数据(2012/08 - 2013/10),后两个月的被用作测试数据(2013/11 - 2013/12)。
    • 每天汇总数据集。


    把数据(用于训练的和测试的)可视化,以了解在一段时间内是如何变化的。



    安装库(statsmodels

    用来进行时序预测的库是statsmodels。在应用很少的给定方法之前,需要安装一下。statsmodels可能已经安装在你的Python开发环境了,但它不支持的预测方法。我们将从存储库克隆一下并进行源码安装。按照如下步骤 :

    1.使用PIP冻结检查statsmodels是否已经安装在你的环境中;

    2.如果已经存在,使用“conda remove statsmodels” 删除;

    3. “git clone git://github.com/statsmodels/statsmodels.git”克隆statsmodels的存储库,在克隆前用“git init”初始化Git

    4.“cd statsmodels”进入到statsmodels目录;

    5.“python setup.py build”建安装文件;

    6.“python setup.py install”进行安装;

    7.退出bash/terminal

    8.重启bash/terminal,打开python并执行“from statsmodels.tsa.api import ExponentialSmoothing”进行验证;

    方法1: Naive方法开始

    考虑下面的曲线图:


    从图中我们可以看出,从一开始,硬币的价格是稳定的。大多时候我们都有一个在整个时间段都比较稳定的数据集。如果想预测第二天的价格,可以简单地用前一天的价格数据,估计第二天的价格。这种假定下一个期望点等于最后一个观测点的预测技术称为 Naive方法。


    现在我们采用Naive 方法来预测测试数据的价格。



    现在我们将计算均方根误差(RMSE)以检查测试数据集上模型的精度。


    可以从RMSE值和上面的图推断,Naive方法不适合变化频繁的数据集,它最适合稳定的数据集。

    方法简单均值法

    考虑下面的图。


    可以从图中推断,硬币的价格是以微小的幅度随机上升和下降的,平均值不变。很多时候,我们得到了一个数据集,虽然它在整个时间段内有一个较小的变化,但是每个时间段的平均值保持不变。在这种情况下,我们可以预测第二天的价格与之前每天的平均值相近。

    这种预测期望值等于所有观测点平均值的预测技术称为简单均值法。


    我们取前面已知的所有值,计算平均值,并将其作为下一个值。当然,它并不精确,而是稍微接近。作为一种预测方法,实际情况是这个技术最有效。



    现在将计算均方根误差检查模型的准确性


    可以看出这种模式没有提高我们的分数。因此,我们能从得分推断,这种方法在每个时间段的平均值保持不变的时候效果最好。虽然Naive法的得分优于均值法,但这并不意味着Naive法在所有数据集上都优于均值法。

    方法移动均值法

    考虑下面曲线图,


    从图中可以推断,硬币的价格在一段时间以前大幅度地提高了,但现在是稳定的。很多时候,我们得到了一个数据集,其中一段时间以前对象的价格/销售量急剧增加/急剧下降。使用初期的价格会对下一个时间段的预测产生很大影响。所以相对于简单均值法的改进,只计算最后几个时间段的平均价格。显然,只有最近的值才是重要的。这种利用时间窗计算平均值的预测技术称为移动均值法。

    利用一个简单的移动均值模型,根据一个不变的有限数p的平均值来预测时间序列中的下一个或多个值。因此,对所有的 i > p。


    移动均值法实际上是非常有效的,尤其是当你给序列选择正确的p值时。



    我们只选择了过去2个月的数据。现在将计算均方根误差来检查模型的准确性。


    可以看到,Naive方法对于数据集要优于均值法和移动均值法。现在来看一下简单指数平滑法,看看它是如何执行的。

    移动均值法的改进方法——加权移动均值法。在上述移动均值法中,我们同样权衡过去的N个观测值。但我们可能遇到的情况是,过去的每一次观察都以不同的方式影响预测。这种以不同的方式权衡过去观测值的技术称为加权移动均值技术。

    加权移动均值是一个移动平均值,在滑动窗口的值中赋予不同的权重。


    选择窗口的大小,需要一个权重列表。例如,如果选择[ 0.40,0.25,0.20,0.15 ]作为权重,将分别给出40%,25%,20%和15%。

    方法简单指数平滑法

    在理解了上述方法之后,可以注意到,简单均值法和加权移动均值法是完全相反的。我们需要在这两个方法之间采取某种方法,这两个方法在用不同的方式权衡数据点的同时要考虑所有数据。这种技术称为简单指数平滑法。预测是用加权平均来计算的,之前观测值的权重是指数递减的,最小的权重与最早的观测值相关:


     0≤ α ≤1是参数。

    先一步预测时间T + 1是一个序列中的所有观测值的加权平均值Y1,…,YT。权重下降的速率由参数α决定。

    如果观察足够长的时间,你会看到,期望ŷx是α⋅YT和(1−α)⋅ŶT-1的和。

    也可以写成 :


    所以基本上我们已经有了一个1−α和α的加权移动平均值:。

    可以看到,1−α乘以之前预期的表达递归的值ŷx−1。这就是为什么这种方法被称为Exponential。在时间t + 1的预测等于最近观察值yt 和最近预测值 ŷ t|t−1之间的加权平均值。



    现在将计算均方根误差检查模型的准确性。


    可以看到,用alpha值为0.6的简单指数模型形成一个更好的模型,到现在为止,生成一个更好的模型。

    方法 5 霍尔特线性趋势法

    我们现在已经学会了几种预测方法,但可以看到,这些模型在变化较大数据上不是太好。


    趋势是在一段时间内观察到的价格的一般模式。如Naive方法会假定最后两点之间的趋势将保持不变,或者可以在所有点之间的平均斜率得到一个平均趋势,使用移动趋势均值或指数平滑法。

    但我们需要一种方法,能准确无误地绘制趋势图。考虑数据集趋势的这种方法称为霍尔特线性趋势法。每个时间序列的数据集可以被分解为不同趋势的组成部分,季节性和剩余。任何跟随趋势的数据集都可以使用Holt线性趋势法进行预测。


    从图表可以看出,该数据集呈增长趋势。因此,可以用Holt的线性趋势来预测未来的价格。

    霍尔特扩展简单指数平滑方法,允许有趋势的数据预测。它只适用于两个等级(多个序列的平均值)和趋势的指数平滑方法。用数学符号表示,现在需要三个等式:一个用于等级,一个用于趋势,一个结合等级与得到预测值Ŷ的趋势


    我们在上述算法中预测的值称为等级。在上面的三个等式中,可以注意到我们增加了等级和趋势来生成预测等式。

    作为简单指数平滑法,这里的等级等式表明它是一个观察数的加权平均值和样本内前步预测。趋势等式表明,这是一个基于ℓ(t)−ℓ(t−1)和和b(t−1)的时间t的预测趋势的加权平均值。

    我们将添加这些等式来生成预测等式。也可以通过乘以趋势和等级而不是增加,来生成乘法预测等式。当趋势呈线性上升或下降时,则采用加法等式,而当趋势呈指数下降时,则采用乘法等式。实践表明乘法是一种更稳定的预测,但加性方法更容易理解。




    现在将计算均方根误差检查模型的准确性


    方法6 Holt-Winters方法

    考虑一个位于山上的旅馆。在夏季期间有很高的访问量,而今年余下时间的游客相对较少。因此,业主的利润在夏季比其他季节都要好得多。而且每年都一样,是季节性的。数据集在一段固定的时间间隔内显示出相似性。


    源码

    由于季节性因素,使用霍尔特冬季方法将是其它模型中最好的选择。霍尔特-温特斯季节性方法包括预测等式和三个平滑等式-一个似乎等级ℓt,一个是趋势bt,一个是季节组成部分 st,平滑参数α,β和γ。


    源码

    其中S是季节性周期的长度,0≤α≤1, 0≤β≤1和0≤γ≤1。



    现在将计算均方根误差检查模型的准确性


    从图中可以看出,正确的趋势和季节性的映射提供了一个更好的解决方案。

    方法7 ARIMA

    另一个在数据科学家中非常流行的时间序列模型是ARIMA。它代表自回归积分移动平均(Autoregressive Integrated Moving average)。指数平滑模型是基于对趋势和季节性数据的描述,ARIMA模型的目的是描述数据之间的相关性。ARIMA的改进考虑到数据集的季节性,就像Holt-Winters方法一样。



    现在将计算均方根误差检查模型的准确性。


    可以看到,使用季节性ARIMA生成一个类似Holt’s Winter的解决方案。我们选择的参数为ACF和PACF图。

    可以在RMSE分数的基础上比较这些模型。


     以上为译文。

    文章原标题《7 methods to perform Time Series forecasting (with Python codes)

    译者:Mags,审校:袁虎。

    原文链接

    阅读更多干货好文,请关注扫描以下二维码:


    展开全文
  • 分类预测:通过向现有数据学习,使模型具备对未来新数据的分类预测能力。这种能力源于对现有数据所包含的分类规律的归纳和提炼,同时也只有通过有指导的学习才能实现。 这里的有指导是指:数据除包含作为输入角色...

    分类预测:通过向现有数据学习,使模型具备对未来新数据的分类预测能力。这种能力源于对现有数据所包含的分类规律的归纳和提炼,同时也只有通过有指导的学习才能实现。
    这里的有指导是指:数据除包含作为输入角色的变量外,一定还包含作为输出角色的输出变量,且输出变量的取值在现有数据上是已知的。它指导着模型的学习,使模型能够理解怎样的输入变量取值或组合,能得到怎样的分类结果。
    分类预测包含两个方面:(没什么区别,输出变量的计量类型不同使得预测值的具体计算方法及模型的评估方法存在差异)
    1、分类:分析新数据在分类型输出变量上的取值称为分类
    2、回归:分析新数据在数值型输出变量上的取值则称为回归
    分类预测算法:
    1、决策树分类法
    2、基于规则的分类算法
    3、神经网络法
    4、支持向量机
    5、朴素贝叶斯分类法

    展开全文
  • 既要使企业IT系统很稳定地运行,以保证企业业务的正常运转,又要考虑怎样才能少花钱,多办事,使本来就有限的IT预算能用到刀刃上,并发挥最大作用。可以说,他们总是希望能在这两者之间找到一种平衡。  虚拟私有云...
    本文讲的是虚拟私有云 2011终端管理系统市场预测,对于CIO来说,要操心的事情真不少。既要使企业IT系统很稳定地运行,以保证企业业务的正常运转,又要考虑怎样才能少花钱,多办事,使本来就有限的IT预算能用到刀刃上,并发挥最大作用。可以说,他们总是希望能在这两者之间找到一种平衡。

      虚拟私有云在未来将显著增长

      最近的一份IDC终端用户研究报告称,过去12个月里,CIO们大量接触到关于云的信息,IDC发现很多用户在面对他们不熟悉的技术时,也在考虑外部私有云服务,某些电信运营商将其称为“虚拟私有云”。这些虚拟私有云给很多企业提供了极具吸引力、快速可行的替代方法,预计这项业务在未来三年里将获得显著增长。

      在对355位中国IT高管和首席信息官的访问中,IDC发现近半数的受访者表示倾向于在内部数据中心的基础上建设私有云计算平台。

      今天,CIO们正在将公共云和私有云服务交付模式加入服务外包组合,正如他们过去接受外包和管理服务一样。在应用云服务时,他们精挑细选,这也和他们对待其他外包服务的态度相同。他们希望获得更充分的信息、更深入地考察潜在的云厂商,以确保他们做出了最佳的战略决定。

      IDC亚太区IT服务研究总监Chris Morris称:“最近的经济形势不明朗,使企业对云交付模式产生了更大兴趣,因为云服务能够以低得多的资金成本交付IT服务和业务服务。这是企业目前重新评估云服务的一个关键原因。


    作者:永辉
    来源:it168网站
    原文标题:虚拟私有云 2011终端管理系统市场预测
    展开全文
  • 来自:云栖社区大多数人都听说过关于Cryptocurrency,许多人也许会投资他们的加密货币。但是,投资这种不稳定的货币安全吗?怎样才能确保现投资这些硬币未来一定能带来...
  • 软件开发领域有点类似股票市场。...那么软件开发者怎样才能避免这种灾祸,确信已经为未来做好准备了呢? 挑选一个广阔而稳固的基础方向 确保软件开发者前途光明的最可靠办法是避免彻底偏向,应
  • 既要使企业IT系统很稳定地运行,以保证企业业务的正常运转,又要考虑怎样才能少花钱,多办事,使本来就有限的IT预算能用到刀刃上,并发挥最大作用。可以说,他们总是希望能在这两者之间找到一种平衡。  虚拟私有云...
  • 智能联网体验正大幅度提高人们和设备之间移动数据的流量。在范围内,移动数据流量每年都会翻一番。随着移动设备的使用量不断上升,移动数据流量在未来10...在中国这个人口众多的国家中,怎样才能确保移动连接和覆盖呢?
  • 智能联网体验正大幅度提高人们和设备之间移动数据的流量。在全球范围内,移动数据流量每年都会翻一番。随着移动设备的使用量不断上升,移动数据流量在未来10年内可望...在中国这个人口众多的国家中,怎样才能确保移动连
  • 据国外媒体报道,仅在5G部署的短短几年中,移动运营商怎样才能拥有足够的带宽来支持未来网络推出的问题便已经成为每次国际电信行业高级别会议讨论的一个重要问题。 来看一下预测数据:研究机构Gartner指出,截止2016...
  • 怎样才能在Kaggle举办的各式各样的比赛里,拿到骄人的成绩? 一位叫做Abhay Pawar的少年,在2600多支队伍参加的Instacart Market Basket Analysis比赛上,击败了98%的对手。 这是一个预测用户未来将购买何种商品的...
  • 开发者的发展!

    2015-09-01 17:01:46
    复制的一篇文章:开发者的发展! 软件开发领域有点类似股票市场。为了避免沦落到沿街乞讨...那么软件开发者怎样才能避免这种灾祸,确信已经为未来做好准备了呢? 挑选一个广阔而稳固的基础方向 确保软件开发者前途光明
  • 到底怎样才能站上数据之巅,成为数据的主人?  也许此时此刻你正佩戴着智能手环,精心收集与自己健康有关的多种数据。但在可穿戴设备之父阿莱克斯?彭特兰眼中,将可穿戴设备与健康追踪归类在一起是十分狭隘的。未来...
  • 人工智能发展与模型定制化趋势

    千次阅读 2020-12-28 11:18:13
      人工智能和机器学习概念目前在各种场合被频频提到,移动互联网时代后的未来预测为人工智能时代,那么人工智能的前世今生是怎样的,到底会给我们的未来带来什么呢?为了弄清这个问题,我们可以简单回顾一下人工...
  • 人工智能和机器学习概念目前在各种场合被频频提到,移动互联网时代后的未来预测为人工智能时代,那么人工智能的前世今生是怎样的,到底会给我们的未来带来什么呢?为了弄清这个问题,我们可以简单回顾一下人工智能...
  • 那就闭上嘴,好好工作”《赢》 “如果一份工作不能让你兴奋, 只是由于工作内容乏味,那么你就没有必要再沉浸其中了”《赢》 “你在未来会从事什么样的工作,这个问题几乎不可能准确预测的”《赢》 “怎样才能找到...
  • 个人云平台Sandstorm.zip

    2019-07-16 07:33:52
    Sandstorm将花费更长的时间去完成而不是去预测,所以Sandstorm就需要不仅完成现有的APP,更需要去预测更多的未来部分,如APP商店,网络电源盒子等。转载自 FreeBuf.COM 标签:Sandstorm
  • 只有这样,才能使开发者在飞速变化的软件领域里免于雾里看花,才能更快更深地认识许多新问题、新知识,也才能更从容地应对未来之挑战。相信这本书对广大程序员大有裨益,无论是从技术角度还是从职业生涯指导角度。 ...
  • (作为行政人员,你有什么样的领导才能?) A:I feel that learning how to motivate people and to work together as a team will be the major goal of my leadership. (我觉得学习如何把人们的积极性调动起来,...
  • 2019数据运营思维导图

    2019-03-29 21:34:09
    数据运营 作用&意义 知错能改,善莫大焉 —错在哪里,数据分析告诉你 运筹帷幄,决胜千里 —怎么做好“运筹”,数据分析告诉你 以往鉴来,未卜先知 —怎么发现历史的规律以预测未来,数据分析告诉你 工作思维 对业务...
  • 数据运营思维导图

    2018-04-26 14:24:22
    —怎么发现历史的规律以预测未来,数据分析告诉你 工作思维 对业务的透彻理解是数据分析的前提 数据分析是精细化运营,要建立起体系化思维(金字塔思维) 自上而下 目标—维度拆解—数据分析模型—发现问题—...
  • 企业的决策问题大都牵涉到未来的活动和事项,预测技术也就在管理决策中起着重要作用,从而在研究管理经济学时必须加以重视。  这里用来划分决策学的二分法,正如在经济学领域那样,也不是绝对的。统计相关性本身...

空空如也

空空如也

1 2
收藏数 29
精华内容 11
关键字:

怎样才能预测未来