序列到序列模型

Thang Luong、Eugene Brevdo和赵瑞编写的神经机器翻译（seq2seq）教程，这是谷歌项目的一个分支。本教程帮助使用稳定TensorFlow版本的研究者快速上手。它详细介绍了如何构建竞争力强的seq2seq模型，特别适用于神经机器翻译任务。教程提供了最新的解码器/注意包装器，结合了TensorFlow 1.2数据迭代器和专业的递归模型知识，为构建最佳NMT模型提供了实用的提示和技巧。完整的实验结果和预训练模型在公开可用的数据集上进行验证。

知识背景的序列模型和时间序列模型，经常让人傻傻分不清。其实还挺好区分的。序列模型主要是一串行为的顺序，比如用户买了 A 又买 B，再买 C——这种叫行为路径挖掘；而时间序列模型更像是盯着一个指标随时间变动的走势，比如股票价格、温度变化那类有时间自相关的事。想挖点干货？这几个资源还蛮值得一看：ARMA 模型那个不错，直接上了Python 代码，方便你边看边跑。还有个叫resampleX的工具，专门搞时间序列重采样，数据挺顺手。如果你喜欢用MATLAB或SAS做，也有现成的教程和代码，比如MATLAB 时间序列和SAS 时间序列。嗯，页面风格有点老，不过内容挺实用的。还有一点要注意，时间序列的建模

递归神经网络，特别是长短期记忆网络，对于序列到序列学习任务非常吸引人。尽管取得了巨大成功，但它们通常存在一个根本缺陷：很容易生成前缀良好但后缀不佳的不平衡目标序列，因此在处理长序列时性能下降。我们提出了一种简单而有效的方法来克服这一缺陷。我们的方法依赖于一对目标-双向LSTM的一致性，以生成更平衡的目标序列。此外，我们开发了两种高效的近似搜索方法，用于目标一致性，经验上显示在序列级损失方面几乎是最优的。我们在两个标准的序列到序列转换任务上进行了大量实验：机器音译和字素到音素转换。实验结果表明，与六种现有方法相比，所提出的方法在一致性和显著性能上实现了一致和显著的改进。

使用Python代码对时间序列数据进行ARMA模型分析。

使用ARMA模型对海浪高度数据进行时间序列分析及预测拟合，代码中有详细注释，便于学习理解。

ALTER SEQUENCE 语句可修改序列的增量值、最大值、最小值、循环选项和缓存选项。如果序列达到 MAXVALUE 限制，修改序列继续使用。

介绍了如何使用Python实现时间序列AR模型，并分析其ACF和PACF。这些代码对于期末课程设计特别有用。

数字趋势序列的子序列匹配算法是时序数据中的一项挺有意思的技术。针对传统趋势序列的一些局限，提出了数字趋势序列和趋势序列展开等新概念。算法通过计算片段的斜率来衡量趋势，使用动态时间规整（DTW)快速搜索算法来子序列匹配问题。算法分为三个部分：DTW 顺序搜索、约束机制、冗余消除机制，并且在实际股票数据中得到了验证。嗯，如果你对时序数据有兴趣，或者需要股票数据，这个算法还蛮实用的。

知识背景：序列模型 VS 关联规则 序列模型 = 关联规则 + 时间（空间）维度 关联规则： 微软股票下跌 50%，IBM 股票下跌将近 4%。 序列模式： 微软股票下跌 50%，IBM 股票也会在 3 天之内下跌将近 4%。

在Python编程中，使用SARIMA模型进行时间序列数据分析是一种常见的方法。这种模型可以在jupyter notebook等编辑器中实现，适合想要了解SARIMA模型工作流程和代码实现的朋友。