Учебное пособие или документация по обнаружению аномалий временных рядов CNTK (RNN/LTSM)?

проблема

Есть ли у вас учебник по обнаружению аномалий временных рядов LTSM или RNN с использованием глубокого обучения с CNTK? Если нет, можете ли вы сделать один или предложить ряд простых шагов для нас?

Я являюсь разработчиком программного обеспечения и членом команды, занимающейся исследованиями с использованием глубокого изучения данных временных рядов, которые мы имеем для обнаружения аномалий. Мы не нашли в ваших документах на Python ничего, что могло бы нам помочь. Кажется, что большинство уроков предназначены для проблем визуального распознавания и не относятся к интересующей нас проблемной области.

Использование LTSM и RNN в обнаружении аномалий

Я нашел следующее

  • Эта ссылка указывает, почему мы пытаемся использовать временные ряды для обнаружения аномалий
  • Эта статья убедила нас, что первое звено - это уважаемый подход к проблеме в целом.
  • Эта ссылка также изложил тот же подход

Я смотрю на CNTK здесь, но не нашел подобного вопроса, и поэтому надеюсь, что этот вопрос поможет другим разработчикам в будущем.

Дополнительные заметки и вопросы

Моя проблема в том, что я нахожу CNTK не таким простым в использовании или хорошо документированным, как я надеялся. Честно говоря, наш фреймворк и стек сильно зависят от технологий.NET и Microsoft. Поэтому я повторяю вопрос еще раз для акцентирования с несколькими замечаниями:

  • Есть ли у вас какие-либо ресурсы, которые вы можете порекомендовать разработчикам, изучающим нейронные сети, глубокое обучение и т. Д., Чтобы помочь нам понять, что происходит под капотом CNTK?
  • Build 2017 упоминает, что C# поддерживается CNTK. Можете ли вы указать нам направление, где документация и поддержка для этого?
  • Самое главное, не могли бы вы помочь нам разобраться с попытками провести анализ аномалий временных рядов для временных рядов с использованием CNTK?

Большое спасибо за время и помощь в чтении и задании этого вопроса

Источник

1 ответ

Решение

Спасибо за ваш отзыв. Ваши предложения помогут улучшить инструментарий.

Первая пуля

  • Я хотел бы предложить, что вы можете начать с учебников CNTK.

    https://github.com/Microsoft/CNTK/tree/master/Tutorials

  • Они разработаны от CNTK 101 до 301. Предложите вам проработать их. Многие из них, даже несмотря на использование данных изображений, концепции и моделей пригодны для построения решений с числовыми данными. Серия 101-103 прекрасно подходит для понимания основ рабочего процесса "поезд-тест-прогноз".

Вторая пуля:

  • После того, как вы обучили модель (рекомендуется использовать Python). Оценка модели может быть выполнена с использованием разных языковых привязок, одним из которых является C#.

    https://github.com/Microsoft/CNTK/wiki/CNTK-Evaluation-Overview

Третья пуля

  • В цитируемых вами работах предлагаются разные подходы. Все это можно сделать в CNTK с некоторыми изменениями в коде из учебников.

  • Ключевым учебным пособием для вас будет CNTK 106, CNTK 105 и CNTK 202

  • Аномалия как классификация: это будет означать, что вы помечаете целевое значение как 1 из N классов, причем один из классов является "аномалией". Затем вы можете объединить 106 с 202, чтобы классифицировать прогноз

  • Аномалия как автоэнкодер: Вам может понадобиться изучить 105 автоэнкодеров. Теперь вместо плотной сети вы можете применить концепцию для рекуррентных сетей. Тренируйтесь только по нормальным данным. После обучения передайте любые данные через обученную модель. Разница между входной и автоматически кодированной версией будет небольшой для обычных данных, но разница будет намного больше для аномалий. В учебнике 105 используются изображения, но вы можете обучать эти модели любым числовым данным.

Надеюсь, вы найдете эти предложения полезными.

Источник
Другие вопросы по тегам