프로그래밍/AI:ML:DL (35) 썸네일형 리스트형 [번역] 이동 중앙값 분해를 통한 비정상 탐지 Dectect Anomaly with Moving Median Decomposition 이동 중앙값 분해를 통한 비정상 탐지https://anomaly.io/anomaly-detection-moving-median-decomposition/ 2016 년 1 월 12 일 시계열 분해는 시계열을 계절적(seasonal) 시계열, 트랜드 시계열, 랜덤 잔여 시계열로 나눕니다. 트렌드와 랜덤 시계열은 둘 다 비정상을 감지하는 데 사용될 수 있습니다. 그러나 이미 비정상적인 시계열에서 비정상(anomaly)을 탐지하는 것은 쉽지 않습니다. 우선 결론 비정상적인 시계열로 작업하기 : 이동 평균 분해를 통한 이상 탐지는 작동하지 않음이동 중앙값 분해를 통한 이상 탐지는 동작함. 이동 평균의 문제 R의 시계열 분해 포스팅에서 우리는 알고리즘이 이동평균을 이용하여 시계열의 추세를 추출하고 있음을 배웠습니다.. [Tensorfow] 초간단 회귀모형 변형 Sung Kim 교수의 모두의 딥러닝 강의 중 간단한 선형회귀모델을 텐서플로우 코드로 구하는 예제를 따라해 보고, hypothesis 모델의 식을 예제의 1차식 (직선) 에서 2차 다항식으로 바꾸어 돌려봄. 트레이닝에 사용하는 데이터도 y = x*x 에 가까운 값을 주어 보았음. 잘 구해짐. 하지만, 트레이닝 데이터를 얼토당토않은 랜덤한 값을 주면, 트레이닝 하면서 쉽게 발산해 버리는 듯 하다. 3차 다항식 모델도 역시 잘 발산하는 듯 하다. import tensorflow as tf x = tf.placeholder(tf.float32, shape=[None]) y = tf.placeholder(tf.float32, shape=[None]) w2 = tf.Variable(tf.random_uniform.. [TENSORFLOW] 절대값 import tensorflow as tf x = tf.placeholder(tf.float32)y = tf.cond(x 이전 1 2 3 4 5 다음
