Т.е. две серии отправляются в генератор, который указывается на входе сети.

Первый слой нейронки имеет параметр input_shape. Какой он у тебя

А, не указывал

В доках не написано было, но спасибо за наводку, скорее всего тут проблема

Привет, хочу такую датку представить как-нибудь почеловечески. Насколько понимаю, самый простой вариант будет bucketing + box/violin plot. Или это можно как-нибудь по-другому или автоматически сделать.

Добрый день! Как называется метод потенциальных функций (в задаче классификации) на английском? Хочу почитать поподробнее, но не могу найти информацию по теме.

Всем привет. Возможно, глупый вопрос, но вот есть у нас задача написать алгоритм ранжирования людей по набору критериев

И вот как его нужно будет обучать, учитывая, что предварительных данных никаких нет ?

Формировать датасет руками и прогонять нашу сеть по нему ?

Более серьёзный вопрос: как вы будете замерять качество того, что обучите?
Если данных нет, я бы использовал для ранжирования линейную формулу с коэффициентами, подобранными экспертно.

Окей, принял, спасибо

Осень — прекрасное время для того, чтобы прокачать свои навыки и приобрести новые знания.
С этим тебе поможет онлайн-интенсив по искусственному интеллекту и анализу данных Архипелаг 20.35, который пройдёт с 7 по 21 ноября 20202 г.  1000 лучших AI-команд сможет представить свои проекты в сфере IT-технологий и искусственного интеллекта, чтобы побороться за гранты и инвестиции от институтов развития, корпораций, частных фондов и акселераторов.

Все подробности на сайте: https://clck.ru/RLjcu

#Архипелаг2035 #edu2035

Указал входную размерность, но проблема не исчезла. Я боюсь как бы не баг.

Не баг, работал с TimeSeriesGenerator, всё нормально

Да, ты очевидно прав. Но почему ничего не получается — понять не могу. Буду дальше разбираться

ValueError: cannot copy sequence with size 7 to array axis with dimension 1 — вылетает на этапе подготовки данных. Т.е. оно, как я понимаю, ещё до модели дойти не успевает.

А минимальный пример, который воспризводит есть?

Уфф. Сейчас обезличу

Скину изначально как делал (работало до определённого момента):

class StoreItemModel(object):

    _model: Model
    _history: object

    def __init__(self):
        self._model = Sequential([
            # Shape [batch, time, features] => [batch, time, lstm_units]
            LSTM(144, return_sequences=True),
            # Shape => [batch, time, features]
            Dense(units=1)
        ])
        self._model.compile(optimizer='adam', loss='mse', metrics=['accuracy'])

    def train_model(self,
                    train_x: Series, train_y: Series,
                    test_x: Series, test_y: Series,
                    window_size: int = 30,
                    epochs: int = 1, batch_size: int = 32,
                    ):
        train_gen = TimeseriesGenerator(data=train_x, targets=train_y, length=window_size, batch_size=batch_size)
        test_gen = TimeseriesGenerator(data=test_x, targets=test_y, length=window_size, batch_size=batch_size)
        self._history = self._model.fit(x=train_gen,
                                        epochs=epochs, verbose=2, batch_size=batch_size,
                                        validation_data=test_gen)
        return self._history

Ну и непосредственно обучение

windows_size = 7
test_size = 0.1

x_train, x_test, y_train, y_test = train_test_split(df[['date']], df[[6]],
                                                    test_size=test_size,
                                                    shuffle=False)

model = StoreItemModel()
model.train_model(train_x=x_train, train_y=y_train,
                  test_x=x_test, test_y=y_test,
                  window_size=windows_size,
                  epochs=100, batch_size=32)

result = model.predict(x_test)

Как можно увидеть, я скопипастил модель с документации.

Всем привет. А можно с помощью нейронных сетей предсказать движение графика?

Можно, я думаю, здесь никто не будет против