- 博客(5)
- 收藏
- 关注
RSS订阅原创 【Datawhale AI 夏令营第三期--深度学习-从零入门 AI for Science-Task2:抽丝剥茧——降水预测baseline详解学习笔记】
在本次学习中, 主要对baseline做了逐行精讲, 了解了如何使用torch和深度学习搭建一个全流程的预测任务, 学习到了时间序列预测任务的基础知识, 同时也对伏羲大模型如何在气象预报中起作用有了简单的理解。
2024-07-31 17:32:22
1160
原创 【Datawhale AI 夏令营第三期--深度学习-从零入门 AI for Science-Task1:赛事初探——降水预测模型搭建过程概述学习笔记】
通过本次的学习,已经对搭建一个降水预测模型有了初步的了解, 对之前尝试的baseline也有了大致的认识, 明白了搭建一个降水预测模型的步骤是怎样的；同时, 也对一些基本的机器学习和深度学习知识, pytorch基础有了相关的了解，为之后的提升扫清了障碍。
2024-07-27 18:19:04
1404
原创 【Datawhale AI 夏令营第二期--机器学习-电力需求挑战赛-Task1学习笔记】
赛题数据由训练集和测试集组成，为了保证比赛的公平性，将每日日期进行脱敏，用1-N进行标识。即1为数据集最近一天，其中1-10为测试集数据。数据集由字段id（房屋id）、 dt（日标识）、type（房屋类型）、target（实际电力消耗）组成。
2024-07-20 12:41:55
262
原创 【Datawhale AI 夏令营第二期--机器学习-电力需求挑战赛-Task3学习笔记】
时间序列预测是一个不断发展的领域，随着技术的进步，我们可以期待更多的优化方法和模型的出现。深度学习模型，特别是LSTM和其变体，已经在许多时间序列预测任务中显示出了优越的性能。更复杂的模型结构：如引入注意力机制的LSTM模型，以更好地捕捉时间序列中的长期依赖关系。多模态数据融合：结合时间序列数据和其他类型的数据，如文本或图像，以提供更全面的分析。模型解释性：提高模型的可解释性，以便更好地理解预测结果。自动化特征工程：开发自动化的特征工程工具，以减少手动特征提取的工作量。
2024-07-19 11:25:37
1313
原创 【Datawhale AI 夏令营第二期--机器学习-电力需求预测挑战赛--Task2学习笔记】
plt.bar(type_target_df[‘type’], type_target_df[‘target’], color=[‘blue’, ‘green’]): 使用plt.bar方法绘制柱状图，x轴为type_target_df数据框中的type列，y轴为type_target_df数据框中的target列，柱状图的颜色分别为蓝色和绿色。这段代码的目的是生成一个折线图，直观展示ID为’00037f39cf’的记录中，目标变量（target）随时间（dt）的变化趋势。
2024-07-17 20:57:51
1119
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人