予測のためのニューラルネットワークの概要

時系列予測にニューラルネットワークを使用するには、いくつかのリソースが必要です。私はいくつかの論文を実装し、彼らが彼らの方法の可能性を大いに表明していることを知ることに警戒しています。そのため、これらのメソッドの経験がある場合は、さらに素晴らしいことを提案しています。

すぐに紹介できるのは、 ニューラルネットワークの概要です。 Rにはニューラルネットワーク機能があるため、NNを実装してスピンを与え、アプリケーションに適していると判断するまで、NNを実装する必要はありません。

ニューラルネットワークは時代遅れではありませんが、2、3の誇大広告サイクルを経て、主張されているようにすべてを実行していないことに気付いた後、しばらくの間評判は落ち着きます（現在、その1つにいます） 。ニューラルネットワークは特定のタスクが得意であり、一般に、人間が同様のタスクを実行できるタスクには適していますが、どのように実行するかを正確に説明できません。

ニューラルネットワークは、トレーニングを受けて正常に動作している場合でも、分析に使用しているシステムに関する洞察をあまり提供しません。つまり、何が起こるかを予測できますが（一部のシステムでは）、理由はわかりません。場合によっては、それで問題ありません。他では、それはうまくありません。一般的に、必要な場合、または特に何かがどのように機能するかのルールをすでに理解している場合は、他の手法を使用できます。

しかし、特定のタスクでは、うまく機能します。

特に時系列については、この質問の議論を参照してください： 時系列分析にリカレントニューラルネットワークを使用する適切な方法

時系列予測ではなく統計的パターン認識に焦点を当てていますが、Chris Bishopの著書 『Neural Networks for Pattern Recognition』は、ニューラルネットワーク全般の入門書として最適であり、入手することをお勧めします問題がより簡単に視覚化され、理解される、より単純なコンテキストでのニューラルネットワークの使用における潜在的な落とし穴を把握する。次に、Mandic and Chambersによるリカレントニューラルネットワークに関する本に進みます。ビショップの本は古典的であり、その本に含まれる資料を理解していると確信するまで、誰もニューラルネットワークを使用してはなりません。ANNを使えば、自分自身を簡単に撃つことができます！

私はmbqにも同意しません、nnは時代遅れではありませんが、多くの問題は線形モデルまたは最新の機械学習技術（カーネルメソッドなど）でよりよく解決されますが、うまく機能するものとそうでない方法がいくつかあります。それはまだツールボックスにあるべきツールです。