使用深度学习、Ray和Analytics Zoo进行自动化时间序列分析

Topic Introduction

本次分享主要介绍基于深度学习、Ray和Analytics Zoo进行自动化时间序列分析的功能及应用场景。
时间序列指的是一组按照时间发生顺序排列的数据点序列。时间序列预测是利用过去一段时间内事件的特征来预测未来时间上该事件的特征。很多真实世界的应用（如Telcos网络质量分析， 数据中心操作的日志分析，对于昂贵设备可预测性维护等）均使用到时间序列预测。时间序列预测也可以作为异常检测的前期步骤，当实际值和预测值相差过大时进行预警。
传统的时间序列预测方法通常基于可描述性（统计）模型进行曲线外插。此类方法通常包含对于数据模式的假设，将时间序列分解成构成要素，如周期性，趋势，噪声等。新的机器学习方法对数据可以假设更少更宽松，尤其是神经网络模型，通常将时间序列预测处理为序列建模问题，且近期已经成功应用于时间序列分析。
另一方面，对于时间序列预测搭建机器学习应用的过程非常繁琐且需要大量经验。为了提供一个简单易用的时间序列预测工具，我们将自动机器学习应用于时间序列预测，将特征生成，模型选择和超参数调优等过程实现自动化。我们的工具基于Ray（UC Berkeley RISELab开源的针对高级AI 应用的分布式框架，并作为Analytics zoo（由intel开源的统一的大数据分析和人工智能平台）的一部分功能提供给用户。

Lecturer introduction

讲师：喻杉，Intel大数据分析团队机器学习工程师。她目前专注于在analytics-zoo大数据和人工智能平台上开发针对时间序列分析的自动机器学习组件。在加入intel前，她在浙江大学获得了学士和硕士学位。

直播时间

2020/03/13(周五) 19:00 - 20:00

Analytics Zoo代码开源地址

https://github.com/intel-analytics/analytics-zoo/

BigDL代码开源地址

https://github.com/intel-analytics/BigDL

所有红包发放及会议提醒，均通过微信示说网服务号，请报名时关注示说网服务号。