DL » 深度学习（二十九）——深度时间序列
2018-01-13 :: 5885 Words深度时间序列
https://mp.weixin.qq.com/s/cChJO6YrE_XAgeInS7J1Vw
130页序列推荐系统教程重磅发布
https://www.intechopen.com/books/time-series-analysis-data-methods-and-applications
开源新书《时间序列分析，数据/方法/应用》，6章110页pdf带你了解最新进展
https://mp.weixin.qq.com/s/7c9gfwNjuKD4XyrODnyS5w
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
https://mp.weixin.qq.com/s/seZ78Z6W_65T0GR_Jk7s1A
神经网络序列数据建模，229页ppt，Modeling Sequential Data with Neural Nets
https://mp.weixin.qq.com/s/zv264-dqDQYRkYmjX_QZpQ
郑宇解读地理传感器时间序列预测问题
https://mp.weixin.qq.com/s/JwRXBNmXBaQM2GK6BDRqMw
Kaggle网站流量预测任务第一名解决方案：从模型到代码详解时序预测
http://mp.weixin.qq.com/s/9fJT0dMLvYQdfMVvSEiG4A
深度学习的时间序列模型评价
https://www.zhihu.com/people/zhang-ke-xin-16-57/posts
一个时间序列方面的专栏
https://mp.weixin.qq.com/s/1Gdx-U3DRZtSJoFyCLnD0w
深度学习之Sequence Learning
https://mp.weixin.qq.com/s/SWKWI7BADnX43e-sCBxRPg
神经网络在算法交易上的应用系列——简单时序预测
https://mp.weixin.qq.com/s/Ux7XjLHzlaGFtM1uSMu2gQ
神经网络在算法交易上的应用系列——时序预测+回测
https://mp.weixin.qq.com/s/fUqQo0m7nMLZO85YG-duRw
神经网络在算法交易上的应用系列——多元时间序列
https://mp.weixin.qq.com/s/PS1SqSWckuHuyZP6d5ZUFw
“深度学习”信号处理和时序分析的最后选择？
https://zhuanlan.zhihu.com/p/54471673
基于前馈神经网络的时间序列异常检测算法
https://mp.weixin.qq.com/s/g9upS70qFOCFBMm-T5nI1A
利用深度学习最新前沿预测股价走势
https://mp.weixin.qq.com/s/otwmDtiDfVVID65RQgT4Uw
教你如何鉴别那些用深度学习预测股价的花哨模型？
https://mp.weixin.qq.com/s/xGUcqs3q3yNpVsJ8P7ag_g
以机器学习的视角来看时序点过程的最新进展
https://mp.weixin.qq.com/s/F0z5aEaigQLtlLfDoFIJXQ
时间序列预测：理论与实践教程，300多页PPT带你了解领域最新动态
https://zhuanlan.zhihu.com/p/83130649
深度学习在时间序列分类中的应用
https://mp.weixin.qq.com/s/iPpVT2iY4Ec6oYdsRpPeTQ
淘宝推荐系统中的深度序列匹配模型SDM
https://zhuanlan.zhihu.com/p/103012005
序列特征的处理方法之一：基于注意力机制方法
https://zhuanlan.zhihu.com/p/104216734
序列特征的处理方法之二：基于卷积神经网络方法
https://mp.weixin.qq.com/s/t-hRxqppW5m6abpvYvZTDg
序列循环神经网络，141页ppt，Sequences and Recurrent Network
https://mp.weixin.qq.com/s/pfQiTjUhgwBNz76sKpij1Q
使用2D卷积技术进行时间序列预测
https://mp.weixin.qq.com/s/M-tz_FVRbgOttbojG1Qe_Q
使用GANs生成时间序列数据：DoppelGANger论文详解
https://mp.weixin.qq.com/s/PT5t3q2_9GF7_Wqa-3AiZg
深度学习时序分类，175页pdf
https://mp.weixin.qq.com/s/UjuuspDnm7EoNzfVAeBHJQ
《时序分类:深度序列模型》教程，172页ppt
TCN
https://mp.weixin.qq.com/s/hE0elaJcywb084rmWZzTAw
告别RNN，迎来TCN！股市预测任务是时候拥抱新技术了
https://mp.weixin.qq.com/s/aQxK6JvoEev_jUXHJEGnhg
时间卷积网络TCN：时间序列处理的新模型
https://mp.weixin.qq.com/s/mIuAn4G9l3AKFAswpbaQdA
时间卷积网络（TCN）将取代RNN成为NLP预测领域王者
https://blog.csdn.net/Kuo_Jun_Lin/article/details/80602776
TCN_时间卷积网络_原理与优势
https://mp.weixin.qq.com/s/iLNuBSwWQ13sc4XfNzPuHw
RNN已老，TCN崛起！李飞飞团队提出口语语音识别新方法
https://zhuanlan.zhihu.com/p/188400946
时间卷积网络：时间序列的下一场革命？
https://mp.weixin.qq.com/s/CGcvWOhNWpboYaaEEtPmQw
时域卷积网络TCN详解：使用卷积进行序列建模和预测
时空序列
顾名思义，时空序列问题包含了时间和空间两个方面的因素。
https://mp.weixin.qq.com/s/x2Tpd1-prppwjRla-yvTZw
什么是时空序列问题？这类问题主要应用了哪些模型？主要应用在哪些领域？
https://mp.weixin.qq.com/s/mEt1K5OdJ4IZ7ugxEgWLVQ
Convolutional LSTM Network-paper reading
https://mp.weixin.qq.com/s/hnzjG09DDtiM4GUVIdxWPA
时空序列模型之STGCN
https://mp.weixin.qq.com/s/iiJIHVv84namKHtdvHaMBg
时空序列预测模型之轨迹GRU
https://mp.weixin.qq.com/s/bE_k9D9RFYXKn7dnTBb7AA
时空序列预测模型之CubicLSTM
https://mp.weixin.qq.com/s/XZWReRiIHqykN8yZulBiOg
混合时空图卷积网络：更精准的时空预测模型
https://mp.weixin.qq.com/s/olt_i6JxfslFSdbz0Dx4oA
用于深度时空图建模的Graph WaveNet
https://mp.weixin.qq.com/s/O09aiDmLFhoU9A7OLkUh2Q
时空图数据挖掘深度学习技术全面综述
https://mp.weixin.qq.com/s/40iqr-Yg4-CGe6QEsLpxhw
时空序列预测模型之LightNet
https://mp.weixin.qq.com/s/vA8lXb2-m3oXHYT1QUOukA
详解时空序列常用数据集之MovingMnist数据集
https://mp.weixin.qq.com/s/ss0Aj1XXn7ZQafhl-XXN6Q
时空序列预测模型之Self-Attention ConvLSTM
https://mp.weixin.qq.com/s/fgJ0xP7lsstGWOThPNCNgg
时空序列预测模型之DGGAN
https://mp.weixin.qq.com/s/MNPlpDmUZesLrJcwV2zM6g
时空序列预测模型之STSGCN
https://mp.weixin.qq.com/s/4VXXPSo0JoA-ClUV2OsyRQ
时空序列预测模型之Graph WaveNet
https://mp.weixin.qq.com/s/0FWHu1Du5bWJVAe308YUuA
序列知识蒸馏进展，44页ppt
https://mp.weixin.qq.com/s/a5OZeeWlePxs75pcqFBghA
使用LSTM深度学习模型进行温度的时间序列单步和多步预测
https://mp.weixin.qq.com/s/AJMi3SoIQ-uQC2HOkuYpdQ
时空数据挖掘深度学习技术全面综述
https://mp.weixin.qq.com/s/sT0CQEzYgukvENcyxJ8HUw
使用TensorFlow和深度混合学习进行时间序列预测
https://mp.weixin.qq.com/s/BtxSE5D5TMOMZ_yISkH4kg
时间序列预测方法最全总结
https://mp.weixin.qq.com/s/GeePyUCpc7w1PP7WywAW4A
时空数据分析综述论文，44页pdf
https://mp.weixin.qq.com/s/J2beHewMZpx6WZ0d4JIzGQ
如何利用Transformer建立时间序列预测模型
https://mp.weixin.qq.com/s/abXc9zU5VpKeQkIvEM5Jww
时间卷积神经网络
https://mp.weixin.qq.com/s/0QjRqFaU0DmcIemTws-xtw
时间序列数据的缺失填补方法总结
https://mp.weixin.qq.com/s/v3gHIAWyRDnLOGN1G6jw6Q
如何预测序列？看这份IJCAI2021亚马逊《大时间序列预测》教程
https://mp.weixin.qq.com/s/t2UFI_MYINgeBtRyW_VWQA
微观特征混合进行宏观时间序列预测
Calibration
使用Resnet模型简单的对一些图片任务进行训练，收敛后的模型对测试集的平均置信度高达80%-85%，然而只有将近70%的图片能被正确分对（红色代表分错，绿色代表分对）。这意味着啥？训练好的模型好像有点盲目自信，即出现overconfidence现象，或者可以称为模型的准确率和置信度不匹配（miscalibration）。
那么有没有办法让模型的softmax输出能真实的反映决策的置信度呢？ 这个问题，就被称为Calibration问题（直译是叫“校准”）。
https://mp.weixin.qq.com/s/KmkyhBijqqhaxDQ8p71BFA
Calibration: 一个工业价值极大，学术界却鲜有研究的问题！
抗日战争+
日本人建设的教育体系超出关内所有地区，但是在专业方面鼓励中国人学农，学轻工业，学商业，自己的移民学冶金，学机械，学军事，学行政管理，划出明显的差距。中国人一旦意识到日本人的专业规划潜规则，读书越多越反日。
日本在伪满首都长春搞了一所“建国大学”，每届招几十个学生，配几十个教授，6年学制，既教行政，也教军事，许诺每个学生出去都是“荐任官”，副县长起步，实际上几年就要提拔到省级的“简任官”。在这种核心统治机构里面，反日情绪还是控制不住，1942年清理反日组织，一次就抓了18人。
1939年，蒋经国生母毛福梅被日军飞机炸死，蒋经国从赣州回溪口吊丧，一路上毫无压力，因为都是国民党统治区；同年，周相以国民党政治部副主任的身份回绍兴扫墓祭祖，一路上也是畅通无阻，江浙沪是日本在南方统治的核心区域，但是浙南依然有大面积连片的国统区，镇江、嘉兴、溧阳这些距离南京或者上海非常近的地方，日本人都难以长期占据，甚至浦东都长期有国共两党的部队在活动。
日军因为兵力不足，在占领某个城镇后，往往会多方拉拢当地的头面人物组建维持会，用来维持地方治安和秩序，为日军提供军需物资，但是当地的头面人物多半不愿出任伪职，日本组建的维持会和县政府大半难产，比如日本控制的伪江苏省政府有61个县，到1939年只有20个县组建了县公署，剩下的县大多无法招募到足够的头面人物和办事人员。
通州事件是软骨头皇协军不满日军压迫，一时激愤起来把日本人突突了。事件不大，纯纯的坏心办好事行为。
一件小破事，被友日人士翻出来跟南京事件并列，用来强调中国人也不干净
http://ah.ifeng.com/news/wangluo/detail_2015_08/06/4200178_0.shtml
通州事件：一支“伪军”对日本人的“杀戮”
美军德克萨斯州飞行员James Wood，二战坠机凉山为奴十年，1950年代中期随民主改革脱奴，后被美方确认身份送回美国。
他的事迹后来被改编成电影《天菩萨》（Buddha’s Lock / 洋娃子，1987）。
只能说蒋介石被之前的顾问水平给养刁了，眼光太高了！看看崔可夫之前几个顾问的水平，崔可夫自己都会心服口服：
加仑将军，也就是布柳赫尔元帅，蒋一辈子都对加仑尊敬有加，抗战时期，多次请求慈父派布柳赫尔来华，他不知道元帅已经被慈父送走了，罪名都没有。这水平比崔可夫强多了。
下一任是泽克特将军，德国国防军统帅，德军重建的实际奠基人，定义了二战打法，为蒋重整军队，围剿红军，甚至可以代替蒋直接发号命令。这水平，1940年的崔可夫怎么比？
再之后是法肯豪森，这个不太出名，不过水平一点都不差，并且更能学贯中西，对于抗战的准备工作，居功至伟，并且对蒋也足够尊重，没有泽克特的傲气，崔可夫自然比不上。
崔可夫这时候还不是1943年在斯大林格勒的崔可夫，而是苏芬战争的崔可夫，多次被芬兰以大比分击败，相比崔可夫的表现，淞沪，台儿庄，武汉的中国军队与将领表现的更好，在蒋氏夫妇眼里，这就是业绩太差，被发配来的，自然看不上。
您的打赏，是对我的鼓励
