คำถามติดแท็ก prediction

มันเป็นไปได้ที่จะเลี้ยงเครือข่ายประสาทที่ส่งออกจากเครื่องกำเนิดไฟฟ้าจำนวนสุ่มและคาดหวังว่ามันเรียนรู้คร่ำเครียด (หรือเครื่องกำเนิดไฟฟ้า) ฟังก์ชั่นเพื่อที่จะสามารถคาดการณ์สิ่งที่จะเป็นต่อไปสร้างตัวเลขสุ่มหลอก ? สิ่งนี้มีอยู่แล้วใช่ไหม หากการวิจัยได้ทำไปแล้วในเรื่องนี้หรือบางสิ่งที่เกี่ยวข้อง (จากการทำนายตัวเลขสุ่มหลอก) ทุกคนสามารถชี้ให้ฉันไปยังแหล่งข้อมูลที่ถูกต้องได้หรือไม่? ขณะนี้ฉันกำลังดูห้องสมุดนี้และลิงก์ที่เกี่ยวข้อง https://github.com/Vict0rSch/deep_learning/tree/master/keras/recurrent

17 deep-learning  unsupervised-learning  prediction  lstm 

ขณะศึกษาวิธีการขุดข้อมูลฉันได้เข้าใจว่ามีสองประเภทหลัก: วิธีการทำนาย: การจัดหมวดหมู่ การถอยหลัง วิธีการบรรยาย: การจัดกลุ่ม กฎการเชื่อมโยง เนื่องจากฉันต้องการทำนายความพร้อมใช้งานของผู้ใช้ (ผลลัพธ์) ตามสถานที่ตั้งกิจกรรมระดับแบตเตอรี่ (อินพุตสำหรับแบบจำลองการฝึกอบรม) ฉันคิดว่ามันชัดเจนว่าฉันจะเลือก "วิธีการทำนาย" แต่ตอนนี้ฉันไม่สามารถเลือกได้ระหว่าง การจำแนกและการถดถอย จากสิ่งที่ฉันเข้าใจในตอนนี้การจำแนกประเภทสามารถแก้ปัญหาของฉันได้เนื่องจากผลลัพธ์คือ "พร้อมใช้" หรือ "ไม่พร้อมใช้" การจำแนกประเภทสามารถให้ความน่าจะเป็น (หรือความน่าจะเป็น) แก่ผู้ใช้ได้หรือไม่? ในเอาต์พุตไม่เพียงแค่ 0 (ไม่พร้อมใช้งาน) หรือ 1 (สำหรับว่าง) แต่มันเป็นดังนี้: 80 %80%80\% ใช้ได้ 20 %20%20\% ไม่ว่าง ปัญหานี้สามารถแก้ไขได้ด้วยการถดถอยหรือไม่ ฉันได้รับการถดถอยที่ใช้สำหรับการส่งออกอย่างต่อเนื่อง (ไม่เพียง 0 หรือ 1 เอาท์พุท) แต่ไม่สามารถเอาท์พุทเป็นค่าต่อเนื่องของความพร้อมใช้งานของผู้ใช้ (เช่นเอาท์พุทเป็น 808080 ความหมายของผู้ใช้คือ 80%80%80\% ที่มีอยู่โดยนัยผู้ใช้คือ 20%20%20\% สามารถใช้งานได้)

9 machine-learning  ai-design  classification  prediction  regression 

ฉันกำลังพยายามหาอัลกอริธึมที่เหมาะสมสำหรับระบบที่ผู้ใช้ป้อนอาการสองสามอย่างและระบบต้องคาดเดาหรือกำหนดโอกาสที่อาการบางอย่างที่เลือกจะสัมพันธ์กับที่มีอยู่ในระบบ จากนั้นหลังจากเชื่อมโยงพวกเขาผลลัพธ์หรือผลลัพธ์ควรเป็นโรคเฉพาะสำหรับอาการ ระบบประกอบด้วยชุดของโรคที่ได้รับมอบหมายให้แต่ละอาการเฉพาะซึ่งยังมีอยู่ในระบบ สมมติว่าผู้ใช้ป้อนอินพุตต่อไปนี้: A, B, C, and D สิ่งแรกที่ระบบควรทำคือตรวจสอบและเชื่อมโยงอาการแต่ละอย่าง (ในกรณีนี้แสดงด้วยตัวอักษรตามตัวอักษร) ทีละตัวกับตารางข้อมูลของอาการที่มีอยู่แล้ว และในกรณีที่ไม่มีข้อมูลเข้าระบบควรรายงานหรือส่งข้อเสนอแนะเกี่ยวกับข้อมูลนั้น และสมมุติว่ามันA and Bอยู่ในตารางข้อมูลเรามั่นใจ 100% ว่ามันถูกต้องหรือมีอยู่จริงและระบบสามารถให้โรคตามอินพุตได้ แล้วขอบอกว่าการป้อนข้อมูลที่ตอนนี้เป็นC and Dที่Cไม่อยู่ในข้อมูลตาราง แต่มีความเป็นไปได้ที่Dมีอยู่ เราไม่ให้Dคะแนน 100% แต่อาจจะต่ำกว่านี้ (สมมุติว่า 90%) จากนั้นCก็ไม่มีอยู่ในตารางข้อมูล ดังนั้นCได้รับคะแนน 0% ดังนั้นระบบควรมีการเชื่อมโยงและเทคนิคการทำนายหรือกฎบางอย่างเพื่อส่งออกผลลัพธ์โดยการตัดสินอินพุตของผู้ใช้ สรุปการสร้างผลลัพธ์: If A and B were entered and exist, then output = 100% If D was entered and existed …

9 algorithm  machine-learning  prediction