DL22: Продвинутые (стековые) архитектуры LSTM для прогнозирования энергопотребления

Расширенные (многоуровневые) архитектуры LSTM для прогнозирования энергопотребления Это видео представляет собой техническое руководство по реализации сетей долговременной краткосрочной памяти (LSTM) с использованием Keras для расширенного прогнозирования временных рядов. В нем подробно рассматриваются основные архитектурные параметры, такие как return_sequences и return_state, а также объясняется, как dropout и recurrent_dropout помогают предотвратить переобучение модели. Видео иллюстрирует эти концепции на практическом примере прогнозирования энергопотребления, где построена многоуровневая модель LSTM для обработки сложных временных закономерностей. Рассматриваются ключевые этапы рабочего процесса машинного обучения, включая масштабирование данных, метод скользящего окна для подготовки наборов данных и хронологическое обучение. Наконец, в исходном коде демонстрируется, как оценивать точность модели с помощью таких метрик, как MAE и RMSE, а также визуальное сравнение производительности.