2020-08-05 17:57发布
深度学习比较适合有一定基础的人学习，因为你要有一定的基础才能听得懂跟得上，
否则听都听不懂会很难学会，并且会失去学习的兴趣。
当然 如果你自己利用空闲时间补基础，也是可以一边学基础一边深度学习的，
一旦遇到不懂的就记下来自己去搞懂 这样学习效率会很高，但是挺累的。
从这篇开始，我们的专栏将正式开始涉及人工智能领域。
人工智能常常用来解决分类和回归的问题。字母、语音、图像识别这些可以看做分类问题，而基于时间序列的预测就是一种回归分析。人工智能乃至深度学习还是有着颇深的理论门槛的，本人目前也还在学习中。但是如果我们只是想简单的应用一下，还不是太难。这篇文章我们将使用深度学习的方法，针对1991年至今的上证指数进行时间序列的预测，来看一看未来大盘的走势如何。
郑重声明：本文章仅供娱乐，在投资方面不具备任何指导意义。本人不对文章结果负责。(￣▽￣)／
对于深度学习，通常会选择Python作为编程语言。出于平台统一的考虑，专栏的人工智能部分将继续使用MATLAB作为主要工具，后期可能会补充Python的实现方法。MATLAB2018a中新增了深度学习的工具箱，入门门槛低，可以很容易地设计和构建模型、训练网络以及实现可视化。其中提供的长短期记忆（LSTM）网络工具箱即可实现数据信号的预测。
首先我们先找到从1991年1月到2018年10月的上证指数数据（收盘），并作为研究对象。该数据的时间间隔为月，画出这28年间的大盘走势：
1991年至今的上证指数走势
时间序列的多步预测在MATLAB的帮助文档中给出了很好的例子，针对代码稍作修改就可以使用。不过需要针对不同的时间序列对象分别调参，为了调参方便，笔者使用AppDesigner写了一个简单的UI界面，这样操作起来就简洁多了。
使用MATLAB自带的APPDesigner可以快速编写软件
经过反复（并没有）的调参，最终获得了一个效果尚可（并不）的结果。MATLAB的深度学习工具箱可以选择显示训练过程，如下图：
参数设置中的“预测序列长度”即将要进行预测的时间长度，我们设置了12个月。
LSTM网络通过循环迭代完成多步预测，在这个迭代过程中，预测的结果的可信度是逐渐降低的，所以我们尽管有过去334个月的数据，但也只设置了预测未来12个月的趋势（甚至12个月都偏长）。
好了，那这个方法最终预测到的未来一年的股市趋势是什么样的呢？
最后红色那段就是了，看起来该网络对未来持悲观态度。
在专业的经济预测中，要综合考虑包括市场环境、政策因素在内的诸多影响，远不是单靠一段时间序列就可以预测出来的。但是针对时间序列的多步预测的方法本身却是很有意义的，在适用的场景下需善加利用。
欢迎关注本人的专栏与信号处理有关的那些东东，未来会开始更新关于人工智能的内容，我会尽量多做一些有趣的分析，对理论进行一些比较通俗的讲解。同时信号特征分析和提取的内容也会不定期进行补充。欢迎大家讨论与指正。
欢迎关注我的公众号“括号的城堡”，微信号为“khscience”，会有更多有趣的东西分享。
参考：
TimeSeriesForecastingUsingDeepLearning
数据来源：
上证综合指数历史行情-Investing.com
选对培训机构比较重要，还有就是选择的时候看一下自己适合哪种风格的讲课方式，这个也很重要。因为现在5G时代来临，人工智能绝对是一个发展的大趋势，如果你自己空余时间又比较多的话，其实可以报一个辅导班，学习学习一些基本的东西，毕竟多学点总是没有坏处...
深度学习是近几年人工智能领域的主要研究方向。深度学习的主要任务是通过构建深度卷积神经网络（Deep Neural Network，DNN）和采用大量样本数据作为输入，人们最终会得到一个具有强大分析能力和识别能力的模型，该模型包含了DNN的构成参数以应用于实际工作。...
AI深度学习课程是用于建立、模拟人脑进行分析学习的神经网络，并模仿人脑的机制来解释数据的一种机器学习技术，主要应用于图像识别、语音识别、自然语言处理等领域。学完可以从事深度学习工程师、机器学习工程师、人工智能工程师、高级算法工程师、高级算法工...
算法，数据相关的适合做人工智能
人工智能取代的行业，一定有如下几个特征：1、大量重复型。2、逻辑性比较强。3、数据库依赖型。像司机，咨询，教育，医生，会计，律师助理，工程师，码农等，都是容易被取代的行业。当然，这都是强人工智能以后会发生的事，现在还是弱人工智能的时代，想进入...
如果你是自己学着玩，提升自己的话，高中毕业都可以。如果是冲着AI算法岗或者科研一席之地，至少211硕士。具体可以亲身体验一下今年算法岗秋招。
可以，未来的人工智能发展深度学习必然是现在大型机器生产科研必备的，证书的话某个培训好像有这个中科院的证书，具体你去百度吧
我觉得就是人工智能的课程，现在家具都是智能家居了。这一块发展一定很好
对于sgd算法而言，batch size太大太小都不好，太小的话训练不稳定，计算效率低；太大的话收敛速度慢，需要仔细调节一下。以2的倍数调节，例如32,64,128等
在terminal中输入$wolf@wolf:~/Downloads/gitclonehttps://github.com/Tencent/ncnn cd切换到NCNN目录***这步很重要，这时候需要修改ncnn的root目录下的CMakeLists.txt文件，需要将倒数几行的add_subdirectory(examples)，取消注释，这样就是默认编译example...
人工智能的话其实到现在来说已经慢慢趋于成熟，学的话首先是一线城市，学出来好就业，还有就是薪资也高
画个train and test error VS 训练数据量(training set size) 的learningcurve应该会更加直观了。可以找个简单的数据集，比如说handwritten digits或者什么的，分别用神经网络和决策树或者knn做出这个learningcurve。你会看到如果用一个决策树去解决这个问题...
共生矩阵用两个位置的象素的联合概率密度来定义，它不仅反映亮度的分布特性，也反映具有同样亮度或接近亮度的象素之间的位置分布特性，是有关图象亮度变化的二阶统计特征。它是定义一组纹理特征的基础。 一幅图象的灰度共生矩阵能反映出图象灰度关于...
最多设置5个标签!
{var%20f='http://v.t.sina.com.cn/share/share.php?appkey=1515056452',u=z||d.location,p=['&url=',e(u),'&title=',e(t||d.title),'&source=',e(r),'&sourceUrl=',e(l),'&content=',c||'gb2312','&pic=',e(p||'')].join('');function%20a(){if(!window.open([f,p].join(''),'mb',['toolbar=0,status=0,resizable=1,width=440,height=430,left=',(s.width-440)/2,',top=',(s.height-430)/2].join('')))u.href=[f,p].join('');};if(/Firefox/.test(navigator.userAgent))setTimeout(a,0);else%20a();})(screen,document,encodeURIComponent,'','','/static/images/logo.png', '推荐 Sirius016 的问题《深度学习的入门门槛低不低》','http://www.shouhuola.com/q-26418.html','页面编码gb2312|utf-8默认gb2312'));){kind=link}
深度学习比较适合有一定基础的人学习，因为你要有一定的基础才能听得懂跟得上，
否则听都听不懂会很难学会，并且会失去学习的兴趣。
当然 如果你自己利用空闲时间补基础，也是可以一边学基础一边深度学习的，
一旦遇到不懂的就记下来自己去搞懂 这样学习效率会很高，但是挺累的。
从这篇开始，我们的专栏将正式开始涉及人工智能领域。
人工智能常常用来解决分类和回归的问题。字母、语音、图像识别这些可以看做分类问题，而基于时间序列的预测就是一种回归分析。人工智能乃至深度学习还是有着颇深的理论门槛的，本人目前也还在学习中。但是如果我们只是想简单的应用一下，还不是太难。这篇文章我们将使用深度学习的方法，针对1991年至今的上证指数进行时间序列的预测，来看一看未来大盘的走势如何。
郑重声明：本文章仅供娱乐，在投资方面不具备任何指导意义。本人不对文章结果负责。(￣▽￣)／
对于深度学习，通常会选择Python作为编程语言。出于平台统一的考虑，专栏的人工智能部分将继续使用MATLAB作为主要工具，后期可能会补充Python的实现方法。MATLAB2018a中新增了深度学习的工具箱，入门门槛低，可以很容易地设计和构建模型、训练网络以及实现可视化。其中提供的长短期记忆（LSTM）网络工具箱即可实现数据信号的预测。
首先我们先找到从1991年1月到2018年10月的上证指数数据（收盘），并作为研究对象。该数据的时间间隔为月，画出这28年间的大盘走势：
1991年至今的上证指数走势
时间序列的多步预测在MATLAB的帮助文档中给出了很好的例子，针对代码稍作修改就可以使用。不过需要针对不同的时间序列对象分别调参，为了调参方便，笔者使用AppDesigner写了一个简单的UI界面，这样操作起来就简洁多了。
使用MATLAB自带的APPDesigner可以快速编写软件
经过反复（并没有）的调参，最终获得了一个效果尚可（并不）的结果。MATLAB的深度学习工具箱可以选择显示训练过程，如下图：
参数设置中的“预测序列长度”即将要进行预测的时间长度，我们设置了12个月。
LSTM网络通过循环迭代完成多步预测，在这个迭代过程中，预测的结果的可信度是逐渐降低的，所以我们尽管有过去334个月的数据，但也只设置了预测未来12个月的趋势（甚至12个月都偏长）。
好了，那这个方法最终预测到的未来一年的股市趋势是什么样的呢？
最后红色那段就是了，看起来该网络对未来持悲观态度。
在专业的经济预测中，要综合考虑包括市场环境、政策因素在内的诸多影响，远不是单靠一段时间序列就可以预测出来的。但是针对时间序列的多步预测的方法本身却是很有意义的，在适用的场景下需善加利用。
欢迎关注本人的专栏与信号处理有关的那些东东，未来会开始更新关于人工智能的内容，我会尽量多做一些有趣的分析，对理论进行一些比较通俗的讲解。同时信号特征分析和提取的内容也会不定期进行补充。欢迎大家讨论与指正。
欢迎关注我的公众号“括号的城堡”，微信号为“khscience”，会有更多有趣的东西分享。
参考：
TimeSeriesForecastingUsingDeepLearning
数据来源：
上证综合指数历史行情-Investing.com
相关问题推荐
选对培训机构比较重要，还有就是选择的时候看一下自己适合哪种风格的讲课方式，这个也很重要。因为现在5G时代来临，人工智能绝对是一个发展的大趋势，如果你自己空余时间又比较多的话，其实可以报一个辅导班，学习学习一些基本的东西，毕竟多学点总是没有坏处...
深度学习是近几年人工智能领域的主要研究方向。深度学习的主要任务是通过构建深度卷积神经网络（Deep Neural Network，DNN）和采用大量样本数据作为输入，人们最终会得到一个具有强大分析能力和识别能力的模型，该模型包含了DNN的构成参数以应用于实际工作。...
AI深度学习课程是用于建立、模拟人脑进行分析学习的神经网络，并模仿人脑的机制来解释数据的一种机器学习技术，主要应用于图像识别、语音识别、自然语言处理等领域。学完可以从事深度学习工程师、机器学习工程师、人工智能工程师、高级算法工程师、高级算法工...
算法，数据相关的适合做人工智能
人工智能取代的行业，一定有如下几个特征：1、大量重复型。2、逻辑性比较强。3、数据库依赖型。像司机，咨询，教育，医生，会计，律师助理，工程师，码农等，都是容易被取代的行业。当然，这都是强人工智能以后会发生的事，现在还是弱人工智能的时代，想进入...
如果你是自己学着玩，提升自己的话，高中毕业都可以。如果是冲着AI算法岗或者科研一席之地，至少211硕士。具体可以亲身体验一下今年算法岗秋招。
可以，未来的人工智能发展深度学习必然是现在大型机器生产科研必备的，证书的话某个培训好像有这个中科院的证书，具体你去百度吧
我觉得就是人工智能的课程，现在家具都是智能家居了。这一块发展一定很好
对于sgd算法而言，batch size太大太小都不好，太小的话训练不稳定，计算效率低；太大的话收敛速度慢，需要仔细调节一下。以2的倍数调节，例如32,64,128等
在terminal中输入$wolf@wolf:~/Downloads/gitclonehttps://github.com/Tencent/ncnn cd切换到NCNN目录***这步很重要，这时候需要修改ncnn的root目录下的CMakeLists.txt文件，需要将倒数几行的add_subdirectory(examples)，取消注释，这样就是默认编译example...
人工智能的话其实到现在来说已经慢慢趋于成熟，学的话首先是一线城市，学出来好就业，还有就是薪资也高
画个train and test error VS 训练数据量(training set size) 的learningcurve应该会更加直观了。可以找个简单的数据集，比如说handwritten digits或者什么的，分别用神经网络和决策树或者knn做出这个learningcurve。你会看到如果用一个决策树去解决这个问题...
共生矩阵用两个位置的象素的联合概率密度来定义，它不仅反映亮度的分布特性，也反映具有同样亮度或接近亮度的象素之间的位置分布特性，是有关图象亮度变化的二阶统计特征。它是定义一组纹理特征的基础。 一幅图象的灰度共生矩阵能反映出图象灰度关于...