【CMU-Amazon】时间序列预测:理论与实践,379页ppt阐述大规模时序预测工具与方法

2020 年 4 月 24 日 专知
【CMU-Amazon】时间序列预测:理论与实践,379页ppt阐述大规模时序预测工具与方法

【导读】CCF-A类顶会WWW2020最近在线举行。来自CMU-Amazon五位学者给了《时间序列预测:理论与实践》的Tutorial报告,共379页PPT,阐述了解决大规模预测问题提供最重要的方法和工具的简明和直观的概述


时间序列预测是业务流程自动化和优化的一个关键因素: 在零售领域,决定订购哪些产品以及将它们存储在哪里取决于对不同地区未来需求的预测;在云计算中,对未来服务和基础设施组件使用情况的估计将指导容量规划;仓库和工厂的劳动力调度需要预测未来的工作量。近年来,预测技术和应用的范式发生了变化,从基于计算机辅助模型和假设到数据驱动和全自动。这一转变可以归因于大型、丰富和多样化的时间序列数据源的可用性,并导致了一系列需要解决的挑战,如:我们如何建立统计模型,以有效地和有效地学习如何从大型和多样化的数据源进行预测?在有限的观测情况下,我们如何利用“相似”时间序列的统计能力来改进预测?建立能够处理大量数据的预测系统意味着什么?


本教程的目标是为解决大规模预测问题提供最重要的方法和工具的简明和直观的概述。我们回顾了三个相关领域的研究现状: (1)时间序列的经典建模,(2)预测的现代方法,包括张量分析和深度学习。此外,我们还讨论了建立大规模预测系统的实际问题,包括数据集成、特征生成、回溯测试框架、误差跟踪和分析等。我们的重点是提供一个直观的概述方法和实际问题,我们将通过案例研究和互动材料与Jupyter笔记本说明。


时间序列预测经典方法 Classical Methods for Big Time Series Forecasting

  • Similarity search and indexing

  • DSP: Fourier and wavelets

  • Linear forecasting

  • Non-linear forecasting

  • Tensors

时间序列预测现代方法 Modern Methods for Big Time Series Forecasting

  • Multi-layer perceptron (feedforward neural networks)

  • Recurrent neural networks (RNN)s: canonical, Sequence-to-Sequence and other architectures

  • Probibilistic Forecast with NNs

  • Others structures: Convolution, WaveNet, Transfomers, and all that

  • Deep Probabilistic Models for Forecasting

时间序列预测实践 Forecasting in Practice

  • Building Large Scale Forecasting Systems

  • Getting start with Forecasting with

    • GluonTS: A Probabilistic Time Series Library

    • DeepAR on SageMaker

    • Amazon Forecast

https://lovvge.github.io/Forecasting-Tutorial-WWW-2020/




总结:


专知便捷查看

便捷下载,请关注专知公众号(点击上方蓝色专知关注)

  • 后台回复“TSF” 就可以获取时间序列预测:理论与实践,379页ppt阐述大规模时序预测工具与方法》专知下载链接

专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取5000+AI主题干货知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程资料和与专家交流咨询
点击“ 阅读原文 ”,了解使用 专知 ,查看获取5000+AI主题知识资源
登录查看更多
18

相关内容

【导读】来自加州大学圣地亚哥分校《计算机视觉中的领域自适应》中生成式对抗网络GAN介绍

成为VIP会员查看完整内容
0
103

【导读】来自Jordi Pons一份循环神经网络RNNs简明教程,37页ppt

成为VIP会员查看完整内容
RNNsTutorial.pdf
0
111

为了适应不同领域的时间序列数据集的多样性,已经开发了大量的深度学习体系结构。本文调查了单步和多水平时间序列预测中常用的编码器和解码器设计——描述了时间信息是如何被每个模型纳入预测的。接下来,我们将重点介绍混合深度学习模型的最新发展,该模型将经过充分研究的统计模型与神经网络组件相结合,以改进这两类中的纯方法。最后,我们概述了一些方法,其中,深度学习也可以促进决策支持与时间序列数据。

成为VIP会员查看完整内容
0
109

题目: Time Series Forecasting With Deep Learning: A Survey

摘要:

为了适应不同领域的时间序列数据集的多样性,已经开发了大量的深度学习体系结构。在这篇文章中,我们调查了常用的编码器和译码器设计,它们都被用于一阶前和多视距的时间序列预测——描述了时间信息是如何被每个模型合并到预测中的。接下来,将重点介绍混合深度学习模型的最新发展,该模型将经过充分研究的统计模型与神经网络组件相结合,以改进这两类中的纯方法。最后,我们概述了一些方法,即深度学习也可以促进决策支持与时间序列数据。

成为VIP会员查看完整内容
0
75

【导读】2020 年 2 月 7 日-2 月 12 日,AAAI 2020 于美国纽约举办。AAAI2020关于可解释人工智能的Tutorial引起了人们极大的关注,这场Tutorial详细阐述了解释黑盒机器学习模型的术语概念以及相关方法,涵盖基础、工业应用、实际挑战和经验教训,是构建可解释模型的重要指南.

可解释AI:基础、工业应用、实际挑战和经验教训

地址https://xaitutorial2020.github.io/

Tutorial 目标 本教程的目的是为以下问题提供答案:

  • 什么是可解释的AI (XAI)

    • 什么是可解释的AI(简称XAI) ?,人工智能社区(机器学习、逻辑学、约束编程、诊断)的各种流有什么解释?解释的度量标准是什么?
  • 我们为什么要关心?

    • 为什么可解释的AI很重要?甚至在某些应用中至关重要?阐述人工智能系统的动机是什么?
  • 哪里是关键?

    • 在大规模部署人工智能系统时,真正需要解释的实际应用是什么?
  • 它是如何工作的?

    • 在计算机视觉和自然语言处理中,最先进的解释技术是什么?对于哪种数据格式、用例、应用程序、行业,什么有效,什么没有效?
  • 我们学到了什么?

    • 部署现有XAI系统的经验教训和局限性是什么?在向人类解释的过程中?
  • 下一个是什么?

    • 未来的发展方向是什么?

概述

人工智能的未来在于让人们能够与机器合作解决复杂的问题。与任何有效的协作一样,这需要良好的沟通、信任、清晰和理解。XAI(可解释的人工智能)旨在通过结合象征性人工智能和传统机器学习来解决这些挑战。多年来,所有不同的AI社区都在研究这个主题,它们有不同的定义、评估指标、动机和结果。

本教程简要介绍了XAI迄今为止的工作,并调查了AI社区在机器学习和符号化AI相关方法方面所取得的成果。我们将激发XAI在现实世界和大规模应用中的需求,同时展示最先进的技术和最佳实践。在本教程的第一部分,我们将介绍AI中解释的不同方面。然后,我们将本教程的重点放在两个特定的方法上: (i) XAI使用机器学习和 (ii) XAI使用基于图的知识表示和机器学习的组合。对于这两种方法,我们将详细介绍其方法、目前的技术状态以及下一步的限制和研究挑战。本教程的最后一部分概述了XAI的实际应用。

Freddy Lecue博士是加拿大蒙特利尔泰勒斯人工智能技术研究中心的首席人工智能科学家。他也是法国索菲亚安提波利斯温姆斯的INRIA研究所的研究员。在加入泰雷兹新成立的人工智能研发实验室之前,他曾于2016年至2018年在埃森哲爱尔兰实验室担任人工智能研发主管。在加入埃森哲之前,他是一名研究科学家,2011年至2016年在IBM research担任大规模推理系统的首席研究员,2008年至2011年在曼彻斯特大学(University of Manchester)担任研究员,2005年至2008年在Orange Labs担任研究工程师。

目录与内容

第一部分: 介绍和动机

人工智能解释的入门介绍。这将包括从理论和应用的角度描述和激发对可解释的人工智能技术的需求。在这一部分中,我们还总结了先决条件,并介绍了本教程其余部分所采用的不同角度。

第二部分: 人工智能的解释(不仅仅是机器学习!)

人工智能各个领域(优化、知识表示和推理、机器学习、搜索和约束优化、规划、自然语言处理、机器人和视觉)的解释概述,使每个人对解释的各种定义保持一致。还将讨论可解释性的评估。本教程将涵盖大多数定义,但只深入以下领域: (i) 可解释的机器学习,(ii) 可解释的AI与知识图和机器学习。

第三部分: 可解释的机器学习(从机器学习的角度)

在本节中,我们将处理可解释的机器学习管道的广泛问题。我们描述了机器学习社区中解释的概念,接着我们描述了一些流行的技术,主要是事后解释能力、设计解释能力、基于实例的解释、基于原型的解释和解释的评估。本节的核心是分析不同类别的黑盒问题,从黑盒模型解释到黑盒结果解释。

第四部分: 可解释的机器学习(从知识图谱的角度)

在本教程的这一节中,我们将讨论将基于图形的知识库与机器学习方法相结合的解释力。

第五部分: XAI工具的应用、经验教训和研究挑战

我们将回顾一些XAI开源和商业工具在实际应用中的例子。我们关注一些用例:i)解释自动列车的障碍检测;ii)具有内置解释功能的可解释航班延误预测系统;(三)基于知识图谱的语义推理,对企业项目的风险层进行预测和解释的大范围合同管理系统;iv)识别、解释和预测500多个城市大型组织员工异常费用报销的费用系统;v)搜索推荐系统说明;vi)解释销售预测;(七)贷款决策说明;viii)解释欺诈检测。

成为VIP会员查看完整内容
0
176

题目: Comprehensive Analysis of Time Series Forecasting Using Neural Networks

摘要: 时间序列预测近年来受到了广泛的关注,这是因为许多现实世界的现象都可以用时间序列来建模。大量的数据和计算机处理能力的最新进展使研究人员能够开发出更复杂的机器学习算法,如神经网络来预测时间序列数据。本文提出了利用动态测量数据进行时间序列预测的各种神经网络结构,并介绍了如何将静态和动态测量相结合进行预测的各种结构。我们还研究了异常检测和聚类等技术对预测精度的重要性。结果表明,聚类可以提高神经网络的整体预测时间,提高预测性能。此外,我们还发现基于特征的聚类在速度和效率上都优于基于距离的聚类。最后,我们的结果表明,增加更多的预测因子来预测目标变量并不一定会提高预测精度。

成为VIP会员查看完整内容
0
70

讲座题目

现代MDL与数据挖掘的结合--洞察力、理论和实践:Modern MDL meets Data Mining -- Insights, Theory, and Practice

讲座简介

当考虑一个数据集时,通常不知道它是如何的,因此描述或捕获其主要特征的模型应该有多复杂。通常,这些选择会被掩盖、忽略,交给领域专家处理,但在实践中,这是非常不令人满意的;领域专家不知道如何设置$k$,在选择之前选择什么,或者有多少自由度比我们做的更理想。 最小描述长度(MDL)原理能够从清晰直观的角度回答模型选择问题。简而言之,它断言最好的模型是同时压缩数据和模型的模型。在本教程中,我们不仅介绍了模型选择的基本知识,展示了基于MDL的建模的重要特性、成功的例子以及如何应用MDL解决数据挖掘问题的陷阱,还介绍了现代MDL中重要新概念的高级主题(例如,归一化最大似然(NML)、顺序NML、分解NML和MDL变化统计)和动态设置中的新兴应用。在本教程中,我们的目标是确保读者不仅掌握基本理论,而且了解如何将其付诸实践。

讲座嘉宾

Jilles Vreeken ,在赫尔姆霍兹信息安全中心领导探索性数据分析研究小组。此外,是马克斯·普朗克信息学研究所数据库和信息系统组(D5)的高级研究员,萨尔兰大学计算机科学系的教授。研究主要涉及数据挖掘和机器学习。特别是,喜欢开发理论和算法来回答关于数据的探索性问题,例如“我的数据中的因果依赖关系是什么”或“这是我的数据,告诉我需要知道什么”。为了确定什么是有价值的结构,经常采用基于信息论的有根据的统计方法。在此基础上,可以开发出高效的算法,从大量复杂的数据中提取有用的、有见地的结果。

成为VIP会员查看完整内容
0
10

讲座题目

大时间序列预测的理论与实践:Forecasting Big Time Series: Theory and Practice

讲座简介

时间序列预测是业务流程自动化和优化的一个关键组成部分:在零售业,根据对不同地区未来需求的预测来决定要订购哪些产品以及在哪里存储这些产品;在云计算中,服务和基础设施组件的估计未来使用量指导容量规划;仓库和工厂的劳动力调度需要对未来的工作量进行预测。近年来,预测技术和应用的范式发生了变化,从基于计算机辅助的模型和假设到数据驱动和全自动化。这种转变可以归因于大量、丰富和多样的时间序列数据源的可用性,并导致一系列需要解决的挑战,例如:我们如何建立统计模型,以便有效地学习从大量和多样的数据源进行预测?在观测有限的情况下,我们如何利用“相似”时间序列的统计能力来改进预测?对于构建能够处理大量数据的预测系统有什么意义? 本教程的目标是提供解决大规模预测问题的最重要方法和工具的简明直观概述。我们回顾了三个相关领域的研究现状:(1)时间序列的经典建模,(2)包括张量分析和深度学习的现代预测方法。此外,我们还讨论了建立大规模预测系统的实际方面,包括数据集成、特征生成、回溯测试框架、误差跟踪和分析等。

讲座嘉宾

Christos Faloutsos 现任职务于卡内基梅隆大学 (Carnegie Mellon University)电子和计算机工程教授,研究领域:图和流的数据挖掘,分形、自相似与幂律,视频、生物和医学数据库的索引和数据挖掘,数据库性能评估(数据放置、工作负载特征)。

成为VIP会员查看完整内容
0
80

内容摘要: 个性化推荐在当前消费场景中起着至关重要的作用。本教程主要包括两个部分:基础和趋势。在第一部分中,我们将介绍个性化推荐系统的基本问题,包括用户意图和需求,挑战性问题和最新技术。在第二部分中,我们将重点关注相关领域中的新趋势主题,包括(但不限于):用户满意度和评估方式,可解释的推荐,基于知识图谱和推论的推荐,跨域异构推荐以及公平性。最后,我们将讨论未来的发展方向。

作者简介: 张敏博士是清华大学计算机科学与技术系的终身教授,研究方向为Web搜索和推荐以及用户建模。她是CS部门智能技术与系统实验室的副主任,清华-MSRA媒体与搜索实验室的执行主任。她还担任过ACM TOIS副编辑。她已发表了100多篇论文,引用次数超过3500, H-index得分为32。她在2016年获得了北京科学技术奖(一等奖),并在2018年获得了中国大学计算机科学优秀教师奖。她还拥有12项专利。并且她与国际和国内企业进行了很多合作。

成为VIP会员查看完整内容
0
67
小贴士
相关资讯
你真的懂时间序列预测吗?
腾讯大讲堂
87+阅读 · 2019年1月7日
基于LSTM深层神经网络的时间序列预测
论智
15+阅读 · 2018年9月4日
基于 Keras 用深度学习预测时间序列
R语言中文社区
15+阅读 · 2018年7月27日
教程 | 基于Keras的LSTM多变量时间序列预测
机器之心
16+阅读 · 2017年10月30日
回归预测&时间序列预测
GBASE数据工程部数据团队
34+阅读 · 2017年5月17日
相关论文
Filippo Maria Bianchi,Daniele Grattarola,Cesare Alippi
23+阅读 · 2020年6月3日
XTREME: A Massively Multilingual Multi-task Benchmark for Evaluating Cross-lingual Generalization
Junjie Hu,Sebastian Ruder,Aditya Siddhant,Graham Neubig,Orhan Firat,Melvin Johnson
3+阅读 · 2020年3月24日
A Modern Introduction to Online Learning
Francesco Orabona
15+阅读 · 2019年12月31日
Senmao Wang,Pan Zhou,Wei Chen,Jia Jia,Lei Xie
4+阅读 · 2019年4月23日
Deep Learning for Energy Markets
Michael Polson,Vadim Sokolov
4+阅读 · 2019年4月10日
A Comprehensive Survey on Graph Neural Networks
Zonghan Wu,Shirui Pan,Fengwen Chen,Guodong Long,Chengqi Zhang,Philip S. Yu
10+阅读 · 2019年3月10日
Adaptive Neural Trees
Ryutaro Tanno,Kai Arulkumaran,Daniel C. Alexander,Antonio Criminisi,Aditya Nori
3+阅读 · 2018年12月10日
Tomi Kinnunen,Jaime Lorenzo-Trueba,Junichi Yamagishi,Tomoki Toda,Daisuke Saito,Fernando Villavicencio,Zhenhua Ling
3+阅读 · 2018年9月4日
Peter W. Battaglia,Jessica B. Hamrick,Victor Bapst,Alvaro Sanchez-Gonzalez,Vinicius Zambaldi,Mateusz Malinowski,Andrea Tacchetti,David Raposo,Adam Santoro,Ryan Faulkner,Caglar Gulcehre,Francis Song,Andrew Ballard,Justin Gilmer,George Dahl,Ashish Vaswani,Kelsey Allen,Charles Nash,Victoria Langston,Chris Dyer,Nicolas Heess,Daan Wierstra,Pushmeet Kohli,Matt Botvinick,Oriol Vinyals,Yujia Li,Razvan Pascanu
4+阅读 · 2018年6月4日
Jason, Dai,Yiheng Wang,Xin Qiu,Ding Ding,Yao Zhang,Yanzhang Wang,Xianyan Jia, Cherry, Zhang,Yan Wan,Zhichao Li,Jiao Wang,Shengsheng Huang,Zhongyuan Wu,Yang Wang,Yuhao Yang,Bowen She,Dongjie Shi,Qi Lu,Kai Huang,Guoqiong Song
3+阅读 · 2018年4月16日
Top