杨赛赛-基于深度学习的多维时间序列预测在数据机房中的应用## PYCON CHINA 2019 ## 基于深度学习的多维时间序列预测在数据机房中的应用 浙江省邮电工程建设有限公司 大数据研究院 演讲人：杨赛赛 时间：10.19 ## 目录 1 背景介绍 2 研究目标 3 研究内容 4 后续工作 ### 1. 背景介绍  空调对温度的控制存在延迟  ## 多维感知温度预测控制 ### 2. ## 研究目标  ## 对数据机房的温度进行预测 根据机房的历史运行数据变化预测未来 XX 分钟机房的温度值，从而实现空调的预测控制。 风机状态 服务负载 天气状况 室外温度  温度预测  ## Sample data ## ☐ ☐ ☐ start = np.random.randint(3, size=1)[0] time_steps0 码力 | 9 页 | 572.18 KB | 2 年前3
- 《TensorFlow 快速入门与实战》4-实战TensorFlow房价预测第四部分 实战 TensorFlow 房价预测 # ☐ ☐ ☐ ☐ 扫描二维码 试看/购买《TensorFlow 快速入门与实战》视频课程 ## 第四部分 目录 • 房价预测模型介绍 • 使用 TensorFlow 实现房价预测模型 - 使用 TensorBoard 可视化模型数据流图 • 实战 TensorFlow 房价预测 ## 房价预测模型介绍 ## 前置知识：监督学习（Supervised y^{(1)}\quad&\\ &\quad\vdots\quad&\\ &\quad y^{(n)}\quad\end{bmatrix} $$ ## 单变量房价预测问题 问题描述：根据房屋面积 x 预测其销售价格 y 训练数据: |面积(平方英尺)|价格(美元)| |---|---| |2104|399900| |1600|329900| |2400|369000| |1416|232000| [Image](/uploads/documents/b/4/3/f/b43f4cf9fe8127ff18415054a6728cc5/p13_2.jpg) ## 多变量房价预测问题：数据分析 问题描述：根据房屋面积 $ x_{1} $ 和卧室数量 $ x_{2} $ ，预测其销售价格 y ## 训练数据: |面积(平方英尺)|卧室数量(个)|价格(美元)| |---|---|---| |2104|3|399900|0 码力 | 46 页 | 5.71 MB | 2 年前3
- 1 藤井美娜 Python的NLP实战分享 如何实现合同风险预测模型[Image](/uploads/documents/d/f/c/4/dfc44f46a4237adaa8b94a941ac32d21/p1_2.jpg) ## Python的NLP实战分享 如何实现合同风险预测模型？ GVA TECH Co., Ltd 藤井美娜 ## 自我介绍  目录 CONTENTS >> 1. Python NLP 入门 >> 2. 多语言NLP攻略 >> 3. “合同风险预测模型” 实战经验分享 >> 4. 总结  ## 3 “合同风险预测模型” 实战经验分享 ## 什么叫“合同风险预测”？ 合同内容有没有该写的条文没有写？ 目的1：查看合同的条文类似性  ## Python的NLP实战分享 如何实现合同风险预测模型？ GVA TECH Co., Ltd 藤井美娜 ## 自我介绍  目录 CONTENTS >> 1. Python NLP 入门 >> 2. 多语言NLP攻略 >> 3. “合同风险预测模型” 实战经验分享 >> 4. 总结  ## 3 “合同风险预测模型” 实战经验分享 ## 什么叫“合同风险预测”？ 合同内容有没有改写的条文没有写？ 目的1：查看合同的条文类似性  ## AlphaFold 1. 利用Transformer的预测能力， 2. 直接从蛋白质的氨基酸序列 3. 中预测蛋白质的3D结构 Agent）。它们的决策核心由工程师明确设计的“条件-动作”规则构成，如图1.2所示。经典的自动恒温器便是如此：若传感器感知的室温高于设定值，则启动制冷系统。 这种智能体完全依赖于当前的感知输入，不具备记忆或预测能力。它像一种数字化的本能，可靠且高效，但也因此无法应对需要理解上下文的复杂任务。它的局限性引出了一个关键问题：如果环境的当前状态不足以作为决策的全部依据，智能体该怎么办？ 图1.2简单反射智能体的决策逻辑示意图 基于预训练模型的推理引擎 知识来源 工程师预定义的规则、算法、知识库 从海量非结构化数据中间接学习、内化 处理指令 需结构化、精确的命令 可理解高层级、模糊的自然语言 工作模式 确定性的、可预测的 概率性的、生成式的 泛化/适应性 弱，局限于预设框架 强，具备强大的涌现能力和泛化能力 开发范式 规则设计、算法编程、知识工程 模型训练、提示工程、微调 这种差异使得LLM智能体可 位信息。它只能通过调用航班预订API，看到该API返回的部分数据，这就要求智能体必须具备记忆（记住已查询过的航线）和探索（尝试不同的查询日期）的能力。 其次，行动的结果也并非总是确定的。根据结果的可预测性，环境可分为确定性和随机性。旅行助手的任务环境就是典型的随机性环境。当它搜索票价时，两次相邻的调用返回的机票价格和余票数量都可能不同，这就要求智能体必须具备处理不确定性、监控变化并及时决策的能力。0 码力 | 633 页 | 58.72 MB | 1 月前3
- DeepSeek从入门到精通(20250204)专项任务需依赖提示语补偿能力| ## 快思慢想：效能兼顾 全局视野 ||概率预测（快速反应模型，如ChatGPT 4.0）|链式推理（慢速思考模型，如OpenAI o1）| |---|---|---| |性能表现|响应速度快，算力成本低|慢速思考，算力成本高| |运算原理|基于概率预测，通过大量数据训练来快速预测可能的答案|基于链式思维（Chain-of-Thought），逐步推理问题的每个步骤来得到答案| |问题解决能力|擅长解决结构化和定义明确的问题|能够处理多维度和非结构化问题，提供创造性的解决方案| |伦理问题|作为受控工具，几乎没有伦理问题|引发自主性和控制问题的伦理讨论| CoT链式思维的出现将大模型分为了两类：“概率预测（快速反应）”模型和“链式推理（慢速思考）”模型。前者适合快速反馈，处理即时任务；后者通过推理解决复杂问题。了解它们的差异有助于根据任务需求选择合适的模型，实现最佳效果。 ## 提示语策略差异 1 ②与第三方合作（按需付费，灵活性高） 请根据ROI计算模型，对比5年内的总成本并推荐最优解。 分析需求 实战技巧： "分析近三年新能源汽车销量数据（附CSV），说明：①增长趋势与政策关联性； ② 预测2025年市占率，需使用ARIMA模型并解释参数选择依据。 创造性需求 ## 实战技巧： "设计一款智能家居产品，要求： ① 解决独居老人安全问题； ② 结合传感器网络和AI预警；0 码力 | 104 页 | 5.37 MB | 1 年前3
- 清华大学 DeepSeek 从入门到精通专项任务需依赖提示语补偿能力| ## 快思慢想：效能兼顾 全局视野 ||概率预测（快速反应模型，如ChatGPT 4.0）|链式推理（慢速思考模型，如OpenAI o1）| |---|---|---| |性能表现|响应速度快，算力成本低|慢速思考，算力成本高| |运算原理|基于概率预测，通过大量数据训练来快速预测可能的答案|基于链式思维（Chain-of-Thought），逐步推理问题的每个步骤来得到答案| |问题解决能力|擅长解决结构化和定义明确的问题|能够处理多维度和非结构化问题，提供创造性的解决方案| |伦理问题|作为受控工具，几乎没有伦理问题|引发自主性和控制问题的伦理讨论| CoT链式思维的出现将大模型分为了两类：“概率预测（快速反应）”模型和“链式推理（慢速思考）”模型。前者适合快速反馈，处理即时任务；后者通过推理解决复杂问题。了解它们的差异有助于根据任务需求选择合适的模型，实现最佳效果。 ## 提示语策略差异 1 ②与第三方合作（按需付费，灵活性高） 请根据ROI计算模型，对比5年内的总成本并推荐最优解。 分析需求 实战技巧： "分析近三年新能源汽车销量数据（附CSV），说明：①增长趋势与政策关联性； ② 预测2025年市占率，需使用ARIMA模型并解释参数选择依据。 创造性需求 ## 实战技巧： "设计一款智能家居产品，要求： ① 解决独居老人安全问题； ② 结合传感器网络和AI预警；0 码力 | 103 页 | 5.40 MB | 1 年前3
共 397 条
- 1
- 2
- 3
- 4
- 5
- 6
- 40