絕大部分行業場景，尤爲是互聯網行業，天天都會產生大量的數據。遊戲中每時每刻都會產生大量的玩家日誌信息；旅遊應用中天天有各種酒店各類交通工具的實時價格；涉及供應鏈和日銷量的零售電商，每個月都爲生產（購進）多少貨而發愁；就連生產電子元器件、供電箱等傳統生產企業，這些零件每時每刻都會產生大量的數據。而咱們稱這種不一樣時間收到的，描述一個或多種特徵隨着時間發生變化的數據，爲時間序列數據（Time Series Data）。算法
結合上文中的時間序列數據，咱們可以作什麼？最顯而易見的是，咱們能夠經過過去產生的時間序列數據，來預測將來。服務器
咱們能夠經過遊戲歷史的玩家消費時間序列數據，預測該玩家在接下來一週的付費意願和付費大體金額，從而定製化的推送相關遊戲禮包和活動，這一般和傳統的用戶畫像是互補的。旅遊應用中，利用歷史數據對將來酒店、機票的價格進行預測，從而爲用戶推薦最低價的購買點（例如：提示用戶五天後購買會更便宜），這一個小功能就足夠獲取大量忠實用戶並實現變現，而北美已經有網站實現了這個功能來預測機票價格。架構
一言以蔽之，時間序列預測就是經過多種維度的數據自己內在與時間的關聯特性，其中可能包含季節性、趨勢性等等特徵，利用歷史的數據預測將來的場景，細分場景除了上述介紹以外，還有不少不少。less
時間序列預測在實際使用中，不免會遇到關於數據的問題，例如沒法完整收集全部影響因素的數據，影響因素在將來具備不肯定性，有時只有不多甚至沒有歷史數據。數據每每是卡住大多數時序預測工做負載最大的問題。機器學習
Amazon SageMaker 中內置的 DeepAR 算法可以在必定程度上減輕對數據的要求。DeepAR 直接在模型內部補充缺省值。在導入數據的過程當中，咱們不須要人爲的掃描數據尋找缺省值，不須要爲如何填補缺省值大費周章，DeepAR 模型內部會解決這一問題。工具
同時，DeepAR 上手難度並不高，在 Amazon SageMaker 中，能夠快速方便的直接調用現成實現好的算法，輸入本身的數據進行訓練。學習
若是你是一位剛上手機器學習的小白，而且想要動手來自行訓練，更多的定製化和手動處理數據，控制訓練過程，以及自定義部署流程，Amazon SageMaker是一個很是好的選擇。 網站
Amazon SageMaker 是一項徹底託管的服務，能夠幫助開發人員和數據科學家快速構建、訓練和部署機器學習 (ML) 模型。SageMaker 徹底消除了機器學習過程當中每一個步驟的繁重工做，讓開發高質量模型變得更加輕鬆。雲計算
爲了幫助你們快速上手 SageMaker，本週四晚8點，咱們邀請到AWS高級解決方案架構師王元愷爲你們帶來主題分享《使用 DeepAR 進行時間序列預測》。人工智能
課程主題：使用 DeepAR 進行時間序列預測
課程時間：6 月 4 日 20:00
課程主講：王元愷，AWS高級解決方案架構師
講師簡介：高級解決方案架構師，負責基於AWS的雲計算方案的架構設計，同時致力於AWS雲服務在國內和全球的應用和推廣。畢業於上海交通大學，畢業後直接加入AWS中國。對前沿技術如計算機視覺、天然語言處理及其應用有着深刻的研究與熱情。在大規模全球同服遊戲、Serverless無服務器架構以及人工智能等領域有着普遍的設計與實踐經驗。
課程概要：本課程將介紹時間序列預測的場景、常見的分類及對應算法、DeepAR 算法的優點以及如何使用 DeepAR 算法進行時間序列預測，並經過現場演示，讓你們理解如何訓練 DeepAR 用於具體的應用場景。
直播間地址：http://suo.im/614kNR，時不我待，趕快加入！