day 60 python打卡

Day 59 - SARIMA模型

• 模型结果的检验可视化（昨天说的是摘要表怎么看，今天是对这个内容可视化）
  多变量数据的理解：内生变量和外部变量
  多变量模型
  统计模型：SARIMA（单向因果）、VAR（考虑双向依赖）
  机器学习模型：通过滑动窗口实现，往往需要借助arima等作为特征提取器来捕捉线性部分（趋势、季节性），再利用自己的优势捕捉非线性的残差
  深度学习模型：独特的设计天然为时序数据而生

Day 58 - ARIMA模型

• 时序建模的流程
• 时序任务经典单变量数据集
• ARIMA（p，d，q）模型实战
• SARIMA摘要图的理解
• 处理不平稳的2种差分

•                （1） n阶差分---处理趋势

                 （2） 季节性差分---处理季节性

Day 57 - 经典时序模型

• 知识点
  1.时间序列数据的处理：

          （1）处理非平稳性：n阶差分

          （2）处理季节性：季节性差分

          （3）自回归性无需处理

  2.模型的选择

          （1）AR(p) 自回归模型：当前值受到过去p个值的影响

          （2）MA(q) 移动平均模型：当前值收到短期冲击的影响，且冲击影响随时间衰减

          （3）ARMA(p,q) 自回归滑动平均模型：同时存在自回归和冲击影响
   

Day 56 - 时序数据的检验

• 假设检验基础知识
  原假设与备择假设
  P值、统计量、显著水平、置信区间
  白噪声
  白噪声的定义
  自相关性检验：ACF检验和Ljung-Box 检验
  偏自相关性检验：PACF检验
  平稳性
  平稳性的定义
  单位根检验
  季节性检验
  ACF检验
  序列分解：趋势+季节性+残差
  记忆口诀：p越小，落在置信区间外，越拒绝原假设。
   

Day 55 - 序列预测任务介绍

• 1.序列预测介绍

  （1）单步预测

  （2）多步预测的2种方式

  2.序列数据的处理：滑动窗口

  3.多输入多输出任务的思路

  4.经典机器学习在序列任务上的劣势；以随机森林为例

Day 54 - Inception网络及其思考

• 1.传统计算机视觉发展史：LeNet–>AlexNet–>VGGNet–>nceptionNet–>ResNet

  之所以说传统，是因为现在主要是针对backbone-neck-head这样的范式做文章

  2.inception模块和网络
  3.特征融合方法阶段性总结：逐元素相加、逐元素相乘、concat通道数增加等
  4.感受野与卷积核变体：深入理解不同模块和类的设计初衷

Day 53 - 对抗生成网络

• 知识点：
  1.对抗生成网络的思想：关注损失从何而来
  2.生成器、判别器
  3.nn.sequential容器：适合于按顺序运算的情况，简化前向传播写法
  4.leakyReLU介绍：避免relu的神经元失活现象

Day 52 - 神经网络调参

• 神经网络调参指南
  1. 参数的分类
  2. 调参的顺序
  3. 各部分参数的调整心得
• 内参的初始化
• 随机种子