用深度学习规划会议时间点—

用深度学习规划会议时间点——Skejul

【导读】你是不是常常烦恼找不到合适的会议时间？我也经常遇到这种问题。当前人们越来越忙，想要协调合适的会议时间是很困难的。本文中，数据科学家Favio Vázquez介绍了一个基于AI的会议规划系统——Skejul。该系统不仅仅采用传统的RNN思想建模时间序列，而是 RNN，LSTM，ConvNets，Residual NN 等技术的集合体。Skejul将在今年相继推出其免费版和商业版，对其原理感兴趣的读者不妨深入读一下本文。

Skejul meetings with Deep Learning

▌目前的问题

当人们分布在在世界各地，处于不同时区时，安排正确的会议时间是很困难的。甚至当人们生活在同一地点，协调一个统一时间也是很困难的事情，因为人们都很忙

也许你没有正确使用你的时间，可能你在一天会议很多，而其他时间完全没有会议。如果有一个完美的日历，完美地安排所有空闲时间、会议或者活动，那将是一个很美好的事。

深度学习可以帮助你解决一切！

Skejul

我很高兴见到Skejul的首席执行官Matthew Lamons先生，他简要介绍了系统及其后端。

Skejul采用人工智能（AI），不需要您花大量时间来设置偏好、设置优先级、管理其他人的联系信息、输入您去的地方的信息或者您喜欢做的事情。

它也简化了人、地点和事物的复杂的协调过程。

但是它是如何做到的呢？

▌深度学习中的序列模型

什么是序列？

简而言之，是相关的事件、动作或事物的特定顺序。例如在斐波那契数列中，那些“事物”是数字，并且有一个函数表示它们，我们称之为一个递推关系：

如果你是程序员，也许你会发现这段Python代码倍感熟悉：

这个代码是递归的。什么是递归？是当你定义一个问题涉及到它自己时，就会发生递归。

以上的编程和数学都很酷。但是，这些和深度学习有什么关系。

在深度学习中，有一种特定类型的神经网络（NN），它能够通过迭代序列元素来处理序列，并维持节点包含以前所输入相关信息的状态。就像他们有一个“记忆”，是一种逐渐处理信息的方式。这种类型的神经网络被称为递归神经网络（RNN），这种类型的神经网络具有内部循环，并且在处理两个不同的独立序列之后更新其状态。

RNN的时间序列

所以Skejul解决问题的方式是使用RNN（和其他类型的NN）处理时间序列。时间序列是是具有一定时间顺序的数据，其数据元素与时间相关。例如股票价格，加密货币的价格等等。

RNN能很好地预测时间序列，用x时间点之前发生的事情预测在x时间点发生的事。

虽然RNN对于顺序数据非常有用，但是它们也存在一些问题，比如学习“长期依赖性”，想要保持长时间的信息。

为了解决以前问题，Hochreiter＆Schmidhuber（1997）提出了LSTMs，它是一种特殊的RNN，能够学习长期的依赖性。

想了解更多关于LSTMs的信息点击这里。

http://colah.github.io/posts/2015-08-Understanding-LSTMs/

▌LSTM模型Keras

代码：

https://github.com/jaungiers/LSTM-Neural-Network-for-Time-Series-Prediction/blob/master/lstm.py

下面看一下其代码，在Keras中构建LSTM是非常容易的。我以后将写一篇介绍keras的文章

from keras.layers.core import Dense, Activation, Dropout
from keras.layers.recurrent import LSTM
from keras.models import Sequential
import time
def build_model(layers):
    model = Sequential()

    model.add(LSTM(
        input_shape=(layers[1], layers[0]),
        output_dim=layers[1],
        return_sequences=True))
    model.add(Dropout(0.2))

    model.add(LSTM(
        layers[2],
        return_sequences=False))
    model.add(Dropout(0.2))

    model.add(Dense(
        output_dim=layers[3]))
    model.add(Activation("linear"))

    start = time.time()
    model.compile(loss="mse", optimizer="rmsprop")
    print("> Compilation Time : ", time.time() - start)
    return model