32、深度学习：时间序列与文本处理

深度学习：时间序列与文本处理

1. 时间序列深度学习要点

在处理新的时间序列问题时，有一些重要的原则需要遵循：
- 建立基准 ：如同在许多问题解决场景中一样，面对新的时间序列问题，首先要为选定的指标建立常识性的基准。没有基准，就难以判断是否取得了真正的进展。
- 先简后繁 ：在尝试复杂且昂贵的模型之前，先使用简单的模型。有时候简单模型可能就是最佳选择，这样可以确保后续使用复杂模型的额外成本是合理的。
- 循环网络的优势 ：当数据的顺序很重要，尤其是时间序列数据时，循环网络是很好的选择，它能轻松超越那些先将时间数据扁平化的模型。Keras 中常用的两个循环神经网络（RNN）层是 LSTM 层和 GRU 层。
- 循环网络的 Dropout ：在循环网络中使用 Dropout 时，应使用时间常量 Dropout 掩码和循环 Dropout 掩码。这些功能已内置在 Keras 的循环层中，只需使用循环层的 recurrent_dropout 参数即可。
- 堆叠 RNN 的权衡 ：堆叠 RNN 比单个 RNN 层具有更强的表示能力，但成本也更高，并非总是值得使用。虽然在复杂问题（如机器翻译）上有明显优势，但对于较小、较简单的问题可能并不适用。

2. 市场与机器学习的局限性

有些读者可能想将所学技术应用于预测股票市场证券的未来价格（或汇率等）。然而，市场与自然现象（如天气模式）具有非常不同的统计特征。在市场中，过去的表