Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Transkrip
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Tampilkan transkrip
Pembuka
Inilah hasil akhirnya, jaringan LSTM yang membaca 168 jam terakhir dan langsung meramal 24 jam ke depan, dengan gala validasi sekitar 2,4 persen, jauh di bawah baseline terbaik. Pelatihannya hanya belasan detik di GPU. Ayo kita mulai. Halo, selamat datang di episode keempat seri peramalan beban listrik dengan LSTM. LSTM, Long Short Time Memory, adalah jaringan saraf berulang dengan gerbang input, forget, dan output yang memutuskan informasi mana yang diingat dan mana yang dilupakan. Karena itu, LSTM mampu menangkap pola jangka pendek seperti jam sebelumnya sekaligus pola panjang seperti minggu lalu. Hari ini kita membangunnya dengan PyTorpe. Buat file model underscore lstm.py
Langkah 1: Arsitektur LSTM
Kelas peramal LSTM menumpuk beberapa lapisan LSTM satu per satu dengan dropout di antaranya. Jumlah unit tersembunyi, jumlah lapisan, dan dropout bisa diatur. Lapisan linier di akhir mengubah keadaan tersembunyi jam terakhir menjadi 24 angka. Jadi model meramal 24 jam sekaligus, bukan satu per satu, sehingga gala tidak menumpuk. Kita memakai GPU bila tersedia. Fungsi latih memakai optimizer Adam dan loss mean squared error pada beban ternormalisasi, dengan mini batch 256.
Langkah 2: Pelatihan & early stopping
Setiap akhir epok, ramalan validasi dikembalikan ke megawatt dan dihitung mapenya. Bobo terbaik disimpan, dan bila mevalidasi tidak membaik selama 4 epok berturut-turut, pelatihan dihentikan. Inilah harlist topping, pencegah overfitting. Fungsi ramal menghasilkan ramalan untuk sekumpulan jendela. Buat file latih underscore lstm.py dan jalankan.
Langkah 3: Melatih LSTM
Model awal memakai 64 unit dan 2 lapisan, sekitar 54.000 parameter. Setiap epok kurang dari 1 detik di GPU. Map validasi sekitar 3,8% di epok pertama, lalu turun ke sekitar 2,4%, sudah jauh lebih baik dari regresi ridge. Bobo disimpan ke lstm underscore awal.pt. Mari lihat grafiknya.
Langkah 4: Kurva latih & ramalan
Kurva kiri map validasi per epok yang turun cepat lalu mendatar, titik di mana arlist topping bekerja. Grafik kanan ramalan 24 jam selama 1 minggu validasi, LSTM mengikuti pola harian dengan sangat baik, termasuk penurunan di akhir pekan. Tapi apakah 64 unit dan 2 lapisan pilihan terbaik? Itu pertanyaan untuk episode berikutnya.
Selesai!
Selesai. Kita sudah membangun LSTM peramal 24 jam dengan PyTorx, melatihnya dengan Adam dan Arlist Topping, dan mengalahkan semua baseline di data validasi. Di episode berikutnya kita mengoptimalkan arsitektur dan hyperparameter LSTM dengan algoritma genetika. Sedang menyusun skripsi, tesis, atau riset di bidang peramalan beban listrik dan deret waktu? Cerdas inovasi digital membantu implementasi deep learning, dari eksplorasi data beban, rekayasa fitur, arima dan regresi, LSTM dengan PyTorx, sampai optimasi hyperparameter dengan algoritma genetika, serta membuka kursus deep learning dengan PyTorx. Ingin menguasai seluruh seri ini, dari data beban per jam sampai evaluasi ramalan? Semua 6 episode, lengkap dengan PDF panduan langkah demi langkah dan source code, tersedia untuk pelanggan tutorial premium. Berlangganan mulai Rp69.000 per bulan, hemat 28% dengan paket 12 bulan, atau sekali bayar Rp999.000 untuk akses seumur hidup. Mau satu kelas saja? Beli kelas satuan dengan akses selamanya. Langganan sekarang di halaman premium cerdasinovasidigital.com. Hubungi WhatsApp kami, atau kunjungi cerdasinovasidigital.com. Terima kasih telah menonton, sampai jumpa di episode berikutnya. Terima kasih telah menonton, sampai jumpa di episode berikutnya.
Tanya materi kelas
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan saya
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Tanya jawab
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.
Pengajar
Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
53 kelas video1.284 episode
Sehari-hari kami mengerjakan software, model BIM, game, dan otomasi AI untuk klien, lalu menjadikan pengalaman praktik itu kelas langkah demi langkah: setiap langkah diperlihatkan di layar dan dilengkapi panduan PDF.
