В какую категорию попадает моя проблема машинного обучения или глубокого обучения?

Question

У меня есть данные за два года, полученные в слот-игре, и я сохранил эти данные в файле .csv в соответствии с форматом даты, как показано ниже:

<table>
  <tr>
    <th>Date </th>
    <th>Spins </th>
  </tr>
  
  <tr>
    <td>1/1/2018</td>
    <td>300234 </td>
  </tr>
  
   <tr>
    <td>2/1/2018</td>
    <td>400234 </td>
  </tr>
  
  <tr>
    <td>.......</td>
    <td>....... </td>
  </tr>
  
    <tr>
    <td>.......</td>
    <td>....... </td>
  </tr>
  
    <tr>
    <td>.......</td>
    <td>....... </td>
  </tr>
  
   <tr>
    <td>18/6/2019</td>
    <td>400234 </td>
  </tr>
  
</table>

поэтому я хочу предсказать вращения в определенный день, как я могу это сделать?

я знаю, что у меня недостаточно возможностей для создания какого-либо видамодели, но предположим, что если у меня достаточно данных и возможностей, то в какую категорию попадает моя проблема - машинное обучение или глубокое обучение?

Я пробовал линейную модель sklearn, хотя после этого я узнал, что выиграл 'я не работаю с данными, связанными с датой, поэтому я попробовал модель пророка Facebook для модели прогнозирования временных рядов.но это тоже не сработало.Я также изучаю тензорный поток, и я сомневаюсь, что он также не будет работать, как для глубокого обучения.

Я новичок в такого рода вещах, так что некоторые советы помогутfull

когда я даю какую-либо дату (будущую дату), она должна вернуть прогнозируемые вращения.

Answer 1

В целом тип проблемы, которую вы пытаетесь решить, называется Supervised Learning .У вас есть несколько пар ввода-вывода, и вы хотите, чтобы модель научилась экстраполировать этот шаблон на невидимые данные.

Answer 2

Никто не может ответить на ваш вопрос с информацией, которую вы дали.

Поскольку речь идет о временном ряду, вы можете применить множество моделей, которые подпадают под категорию «Машинное обучение», таких как ARIMA, нелинейная аппроксимация кривой, экспоненциальное сглаживание и т. Д.
На стороне «глубокого обучения» вы можете применить некоторое отклонение от рекуррентной нейронной сети или даже стандартный многослойный персептрон с оконным подходом.

То, что я пытаюсь сказать, это то, что у вас есть масса возможностей, но сначала вы должны немного изучить фон, а затем поэкспериментировать с вашим конкретным набором данных.

Answer 3

Существующая версия вашей проблемы полностью подпадает под определение моделирования временных рядов, поскольку ваши данные представляют собой последовательность, взятую в последовательные равные промежутки времени. Учитывая тот факт, что вы уже пробовали временные ряды, я бы порекомендовал вам попробовать подход, основанный на глубоком обучении, который может найти временные шаблоны в данных. RNN с блоками LSTM могут быть одним из вариантов, который может дать ему попытку. Для получения более подробной информации о RNN с реализацией LSTM в keras, пожалуйста, обратитесь к Прогнозирование временных рядов с рекуррентными нейронными сетями LSTM в Python с Keras .

Надеюсь, это поможет!

Answer 4

Привет @shubham Привет сообществу переполнения стека.Во-первых, мы должны увидеть, что если наша проблема решается с помощью алгоритмов машинного обучения, мы предпочитаем машинное обучение, потому что весь алгоритм машинного обучения полностью построен в другой библиотеке.Самая распространенная библиотека - это sklearn.У вас есть табличные данные, поэтому я рекомендую вам использовать алгоритм машинного обучения.

Предоставьте больше информации, чтобы люди из сообщества переполнения стека могли понять, какова природа ваших данных.

Когда мы используемГлубокое обучение:

• Когда у нас есть неструктурированные данные (изображения, естественный текст, данные временного ряда, видео и т. Д.)
• Когда у нас много данных (минимум 4K записей) для обучения.

Когда мы используем машинное обучение

• Для табличных данных (столбцы и строки)

• Алгоритмы машинного обучения работают с небольшим количеством данных.

  Подробнее см. Здесь

Для просмотра различных проектов машинного обучения и глубокого обучения см.

Сравнить классификаторы машинного обучения за один раз (Блокнот по раку молочной железы)