Financial Time Series5 [시계열 딥러닝] 신경망 학습 파이프라인 만들기 앞서 딥러닝의 전반적인 개념에 대해 간단하게 알아보았다. 다음 순서로 신경망 프로그래밍에 대해 알아보자. 데이터, 기호, 연산, 계층, 그래프 일반적으로 딥러닝 프레임워크는 그래프 개념, 그리고 그 그래프를 만드는 데에 집중한다. 즉, 모든 구조는 개별 요소와 그들 간의 관계로 설명될 수 있어야 한다는 뜻이다. 또한 변수와 대응되는 실젯값을 분리하는 개념도 매우 중요하다. 다음은 A와 B라는 기호를 정의하고, A와 B의 행렬곱 결과를 담은 기호 C를 정의하는 방법이다. # 의사코드 symbol A; symbol B; symbol C = matmul(A, B); # In python, np.matmul 참고: https://m.blog.naver.com/PostView.naver?isHttpsRedirec.. 2022. 3. 5. [시계열 딥러닝] 딥러닝의 개념: 신경망, 순전파 네트워크(Neural Network, Feed Forward Network) 데이터 과학이나 AI에 조금이라도 관심이 있는 사람은 '딥러닝'이라는 단어를 한 번쯤은 들어보았을 것이다. 개념을 모르는 사람들의 입장에서는, 단순히 '머신러닝보다 더 나은 방법' 정도로 여겨질 수도 있다. 그런데 사실 딥러닝은 이미지 및 자연어 처리 이외의 분야에서는 아직 훌륭한 예측 능력을 보여주지 못했다. 물론, 딥러닝은 전통적인 예측 모델이 공통으로 갖는 획일성과 불안정한 가정에 대해 요구되는 필요 조건을 감소시킨다. 딥러닝의 장점 딥러닝 모델을 사용하면 모델의 가정에 데이터를 맞추기 위해 지금껏 수행한 여러가지 전처리 과정이 사라진다. 정상성을 요구하지 않는다. 계절형 ARIMA 모델의 차수, 계절성에 따른 평가와 같은 파라미터를 고르는 기술을 개발할 필요가 없다. 상태 공간 모델링에서 유용하게.. 2022. 2. 26. [시계열을 위한 머신러닝] 분류 및 클러스터링(Classification and Clustering) ML for Time Series 시계열을 위한 머신러닝¶ Clustering과 tree based method로 predict와 classification 문제를 다룬다. 시계열의 특징 생성은 tree based method에서 반드시 필요한 과정이다. 앞서 공부했던 ARIMA 모델과는 달리 '시간을 인식'하는 방법론이 아니기 때문이다. Clustering, 거리 기반 classification은 input으로 원본 시계열이나 특징을 사용할 수 있다. 시계열 자체를 input으로 사용하려면, dynamic time warping(DTW, 동적시간워핑)이라는 거리 평가 지표를 알아야 한다. 시계열에 직접적으로 적용되는 동적시간워핑은 데이터 전체에 대한 시간 정보를 보존한다. 제한된 특징 목록을 사용하는 .. 2022. 2. 13. [시계열의 상태공간 모델] Hidden Markov model(HMM) 은닉 마르코프 모형(Hidden Markov model(HMM)) 은닉 마르코프 모형은 시계열 모델링에 유용하다. 또한 시계열 분석에 학습될 데이터에 올바르게 레이블링된 정-답이 존재하지 않는 비지도학습이 적용된 희귀한 경우이기 때문에 흥미롭다. HMM은 앞 게시글에서 살펴 본 칼만 필터의 실험에서 얻었던 직관, 즉 관측 가능 변수가 시스템을 가장 잘 묘사하지는 못한다는 개념에서 영감을 받았다. 선형 가우스 모델에 적용된 칼만 필터처럼, process에서는 state(상태)가 있으며, 관측이 그 상태에 대한 정보를 준다는 개념을 상정한다. 모델 동작 방식 HMM은 직접적으로 관측이 불가능한 상태를 가진 system을 상정한다. Markov process라 불리는 이 system은, 미래 사건의 확률이 s.. 2022. 2. 5. 이전 1 2 다음
