随笔分类 - 智能运维
摘要：https://liaoxuefeng.com/blogs/all/2024-05-06-llama3/ 史上最强开源AI大模型——Meta的LLaMa3一经发布，各项指标全面逼近GPT-4。它提供了8B和70B两个版本，8B版本最低仅需4G显存即可运行，可以说是迄今为止能在本地运行的最强LLM。
阅读全文
摘要：https://blog.csdn.net/wbsu2004/article/details/132963171
阅读全文
摘要：## 子日数据 Prophet可以通过在ds列中传递带有时间戳的数据框来预测时间序列。时间戳的格式应该是YYYY-MM-DD HH： MM：SS-请参阅此处的示例csv。当使用子日数据时，每日季节性将自动匹配。这里我们将Prophet拟合为5分钟分辨率的数据（约塞米蒂的每日温度）： ``` # Py
阅读全文
摘要：告警收敛实现 https://github.com/tal-tech/alarm-dog
阅读全文
摘要：## 异常值 异常值可以影响Prophet的预测结果，主要有两种方式。下面的示例中，我们使用之前提到的R页面的日志化维基百科访问量数据进行预测，但添加了一段错误的数据： ```python # Python df = pd.read_csv('https://raw.githubuserconten
阅读全文
摘要：## 不确定性间隔 默认情况下，Prophet将为预测的yhat返回不确定性区间。这些不确定性区间背后有几个重要的假设。 预测中存在三种不确定性来源：趋势的不确定性、季节性估计的不确定性以及额外的观测噪声。 ### 趋势的不确定性 预测中最大的不确定性源是未来趋势变化的潜在性。在本文档中已经看到的时
阅读全文
摘要：## 乘积季节模型 默认情况下，Prophet采用加法季节性拟合，就是说季节性效应被添加到趋势中以进行预测。但下面这个描述乘客数量的时序例子，则不适合使用加法季节性算法： ``` # Python df = pd.read_csv('https://raw.githubusercontent.com
阅读全文
摘要：季节性、节假日效应和回归变量 节假日和特殊事件建模 如果您有节假日或其他周期性事件需要建模，您需要创建一个包含这些事件的数据框。该数据框包含两列（holiday和ds），每个事件的发生都有一行数据。数据框中需要包括所有事件的发生日期，既包括历史数据范围内的事件，也包括未来预测的时间范围内的事件。如果
阅读全文
摘要：趋势变化点 你可能已经在文档的前面示例中注意到，实时时间序列经常会在其轨迹中出现突然的变化。默认情况下，Prophet将自动检测这些变化点，并使趋势适应相应的变化。然而，如果你希望对这个过程有更精细的控制（例如，Prophet错过了一个速率变化，或者在历史数据中过度拟合了速率变化），那么你可以使用几
阅读全文
摘要：一、安装 在python环境安装 python -m pip install prophet （译者注：当前最新版本是1.1.2，运行会报错，建议使用1.1.1） python -m pip install prophet==1.1.1 从0.6版本开始，不再支持python2 从版本1.0开始，P
阅读全文
摘要：http://www.likuli.com/doc/keras/15211966310968.html 关于深度学习 由于Keras是为深度学习设计的工具，这里只列举深度学习中的一些基本概念。请确保对下面的概念有一定理解： 有监督学习，无监督学习，分类，聚类，回归 神经元模型，多层感知器，BP算法
阅读全文
