如何进入邮箱的网站,培训网络工程师机构,php和python做网站,易优cms插件今日to do list#xff1a; 学习kaggle中store sales中的dart forcasting#x1f3af; 大概搜集一个声纹识别的报告#xff08;老师给的新项目#x1f62d;#xff09; 学习时不刷手机 okkkkkkkkkkkkkk 开始#x1f44d;
1. 时间序列预测- a complete guide
总结一下这…今日to do list 学习kaggle中store sales中的dart forcasting 大概搜集一个声纹识别的报告老师给的新项目 学习时不刷手机 okkkkkkkkkkkkkk 开始
1. 时间序列预测- a complete guide
总结一下这篇博客Time Series Forecasting — A Complete Guide 我想大概再了解一下时间序列预测的基本流程
1时序预测有三条规则
粒度规则granularity rule:预测的粒度越小比如时间尺度是分钟还是小时预测的准确性越高分钟的时间尺度准确性就会提高。因为聚集的数据方差会更小因此误差也会更小没太明白这个因果先过吧之后再看看频率规则frequency rule为了捕捉新的有用的信息我们需要不断的更新数据更新数据的频率越高预测的也就更加准确地平线规则horizon rule 不要预测太远我们应该预测一个短期时间的结果
2时序数据time series data的组成 一些专有名词
level复杂的时间序列都是由一个base line 和 different components组成的base line 就是 leveltrendincrease or decreaseseasonality季节性数据中暗藏着一种一段时间就会重复一次的模式就叫做季节性cyclicity周期性周期性也是一种模式但和季节性不同就是季节性是每隔固定的间隔就会重复但是周期性是不固定的间隔重复noise但我们把数据中的level, trend, seasonality, cyclicity删除之后剩下的就是noisenoise是数据中完全随机的干扰
3分析的流程
这个是这个博主给的后续我可以把在kaggle中学到的一些流程加进去先写一个初步的吧
1. import libraries
首先把需要的包导入进来
2.导入数据并且初步查看数据
导入数据就使用pandas.read_csv就好了要注意相对路径 初步查看数据可以使用这个函数basic_eda
def basic_eda(df):print(-------------------------------TOP 5 RECORDS-----------------------------)print(df.head(5))print(-------------------------------INFO--------------------------------------)print(df.info())print(-------------------------------Describe----------------------------------)print(df.describe())print(-------------------------------Columns-----------------------------------)print(df.columns)print(-------------------------------Data Types--------------------------------)print(df.dtypes)print(----------------------------Missing Values-------------------------------)print(df.isnull().sum())print(----------------------------NULL values----------------------------------)print(df.isna().sum())print(--------------------------Shape Of Data---------------------------------)print(df.shape)print( \n)3. EDAexploratory data analysis
内个文章写的不大全我自己先初步总结一下
4. data pre-processing
2.python中的语法学习纯小白
1pandas中的date_range
函数功能于生成一个日期范围的序列
full_time_period pd.date_range(start2013-01-01, end2017-08-31, freqD)
# start和end参数定义了日期范围的开始和结束日期
# freq参数定义了日期范围的频率
# 生成一个包含2013年1月1日至2017年8月31日之间每天日期的pandas.DatetimeIndex对象3. 学习darts库
4.声纹识别调研
声纹识别研究现状
声纹识别搜索关键词Speaker Recognition/Identification/Verification 声纹识别有三个阶段
machine learning最佳基线模型iVectordeep learningbottleneck feature、d-vector、x-vector、j-vectorattention mechanism、Learning to rank 声纹识别的主要问题在于语音时长、文本无关、开集比对、背景噪声等问题上。目前基于d-vector、x-vector的深度学习模型和TE2E/GE2E等的损失函数设计在短时长上比较占优势。传统方法的state-of-the-art是i-vector采用pLDA信道补偿算法所有基于深度学习的模型都会引用ivector的ERR作为baseline进行比对。以前的方法有UBM-GMM和JFA信道补偿但是需要大量的不同信道的语料样本。传统方法的相关开源框架有Kaldi、ALIZE、SIDEKIT、pyannote-audio等。深度学习的方法有d-vector、x-vector、j-vector文本有关以及结合E2E损失函数的模型。还有基于GhostVlad和直接基于wave信号的SINCNET。
声纹识别技术指标
参考链接添加链接描述
一些开源链接之后逐个排查哈
http://www-lium.univ-lemans.fr/sidekit/ https://alize.univ-avignon.fr/ http://www.kaldi-asr.org/ https://github.com/rajathkmp/speaker-verification https://github.com/wangleiai/dVectorSpeakerRecognition https://github.com/Janghyun1230/Speaker_Verification https://github.com/pyannote/pyannote-audio https://github.com/WeidiXie/VGG-Speaker-Recognition https://github.com/mravanelli/SincNet
resemblyzer 这个里面有一个demo 02识别了一个youtube视频中的三个人的声音 有一个演示视频感觉效果很不错
