우리의 일상에서 챗봇 고객 서비스, 이메일 스팸 탐지기, 음성 인식, 언어 번역, 주식 시장 예측 등과 상호작용하고 있습니다. 이 인공지능 상품들은 순환신경망(RNN), 롱숏-기간모델(LSTM) 그리고 게이트 순환망 (GRU)에 힘 입었습니다. 이 모델들은 시계열, 언어 패턴, 음성 패턴과 같은 순차적 데이터 예측에 최상의 예측을 가져오는 딥러닝의 중요한 가지들입니다. 회귀를 배우는 것 처럼 RNN, LSTM, GRU를 배우는 것은 쉽지 않습니다. 많은 수업에서 종종 회귀와 딥러닝 사이의 지식의 갭이 있다고 느꼈습니다. 용어의 차이 또한 지식의 갭을 만듭니다. 딥러닝으로 점프하기위해 많은 준비가 필요하며, 성공적으로 점핑한 학생들은 회귀로 쉽게 되돌아가지 않을 수 있습니다. ( 이 말장난이 마음에 들지도..

시계열 데이터는 일정 기간 동안 일련의 시간 간격으로서 수집된 데이터 지점이다. 시계열 데이터 분석이란 이용 가능한 데이터를 분석하여 데이터의 패턴이나 추세를 파악하여 미래 가치를 예측함으로써 보다 효과적이고 비즈니스 의사결정을 최적화하는 데 도움이 되는 것을 의미한다. 시계열 분석 방법 게다가 , 타임 시리즈 분석은 다음과 같이 분류될 수 있다 : 1. 모수와 비모수 2. 선형과 비선형 3. 단변량과 다변량 타임시리즈 분석에 사용되는 기법들은 다음과 같다 : 1. ARIMA 모델 2. Box-Jenkins 다변량 모델 3. Holt winters 지수 스무딩 (single, double and triple) ARIMA 모델링 ARIMA는 AutoRegulation Integrated Moving Ave..