分类目录归档：人工智能
以下是一个关于“AI from zero to hero”一年的视频课程大纲：
第一季度：基础构建（第 1 - 3 个月）
第二季度：机器学习深入（第 4 - 6 个月）
以下是一份补充了人工智能、机器学习和深度学习相关内容的“个人量化全栈开发 - 自研课程”大纲：
本课程旨在培养学员成为具备全栈开发能力且能运用人工智能技术的量化开发者，全面涵盖前端、后端、数据库、量化策略开发以及人工智能相关领域知识，通过丰富的实际项目案例，使学员掌握从数据获取、分析到可视化展示，以及构建智能量化交易系统的综合技能，为进入量化金融与人工智能融合的前沿领域或提升个人专业能力奠定坚实基础。
在实际深度学习时序预测中，“数据量小/大”没有绝对标准，但有一些经验参考：
数据量小：
通常指样本数低于几千条（如<2000~3000），或者训练集天数少于1年（A股5分钟数据一天48条，1年约1万条）。 特征维度多时，样本数/特征数比值低于10~20，也算偏小。 小数据下，复杂模型（如一次性多步Seq2Seq）容易过拟合，递归单步预测更稳健。 数据量大：
样本数达到几万条以上（如>10000~20000），或训练集覆盖2年以上。 特征维度不多时，样本数/特征数比值高于50~100。 大数据下，一次性多步预测模型能学到更复杂的时序关系，效果更好。 预测步数（序列长度）：
短步...
在时间序列预测中，确定性过程建模是指识别和建模时间序列中那些非随机、可预测、有规律可循的组成部分。这些成分通常由已知的、固定的模式驱动，而不是由随机波动主导。
理解时间序列的典型分解有助于理解确定性过程：
以下是常见的时间序列预测模型的分类梳理，以Markdown表格形式呈现：
| 类别 | 模型名称 | 核心描述 | 适用场景 |
|---|---|---|---|
| 传统统计模型 | AR (自回归模型) | 用历史值的线性组合预测未来值 | 平稳序列，短期预测 |
| MA (移动平均模型) | 用历史白噪声的线性组合预测未来 | 平稳序列，噪声处理 | |
| ARMA | AR与MA的组合模型 | 平稳时间序列 | |
| ARIMA | 加入差分处理的ARMA扩展 | 非平稳序列（需差分平稳化） | |
| SARIMA | 加入季节性差分的ARIMA | 具有季节性的非平稳序列 | |
| ETS (指数平滑) | 加权平均历史观测值（含趋势/季节分量） | 趋势和季节性... |
在时间序列预测领域（如销量预测、股价分析、电力负荷预估），我们常面临复杂挑战：历史数据中混杂着长期趋势、周期性波动、突发事件影响，以及外部变量（如天气、节假日、促销活动）。传统模型如ARIMA、LSTM或标准Transformer，往往难以同时高效捕捉这些不同时间尺度上的信息并理解它们之间的复杂关系，更难以解释预测结果的原因。
Temporal Fusion Transformer (TFT) 正是为解决这些难题而生。它由谷歌研究团队于2019年提出，融合了LSTM和Transformer两大架...
在当今大数据时代，时间序列预测（如股票走势、天气变化、设备故障预警）至关重要。传统模型如RNN、LSTM常受限于“长期依赖”问题——难以有效捕捉遥远数据点间的关系。而Transformer模型凭借强大的全局建模能力异军突起，TSFormer正是专为时间序列预测优化的Transformer变体，兼顾了高效与精准。
TSFormer的核心在于解决原始Transformer应用于超长序列时的两大痛点：
Prophet 是由 Facebook (现 Meta) 核心数据科学团队开发并开源的一款强大的时间序列预测工具。它的设计初衷是让分析师和业务人员（不一定需要深厚的时间序列理论或统计学背景）也能轻松地生成高质量、可解释的预测结果，尤其擅长处理商业领域常见的时间序列数据特征。
面向业务场景：
ARIMA（Autoregressive Integrated Moving Average），即自回归综合移动平均模型，是时间序列预测领域最经典、应用最广泛的工具之一。它擅长捕捉数据中的趋势、季节性和内在依赖关系，用于预测未来的数据点。
ARIMA模型认为，一个时间序列的值主要受三方面因素影响：