2021-12-15 21:46:05

docs/dl-ts/SUMMARY.md

@@ -42,10 +42,10 @@
 +   [如何开发和评估朴素的家庭用电量预测方法](naive-methods-for-forecasting-household-electricity-consumption.md)
 +   [如何为长短期记忆网络准备单变量时间序列数据](prepare-univariate-time-series-data-long-short-term-memory-networks.md)
 +   [循环神经网络在时间序列预测中的应用](promise-recurrent-neural-networks-time-series-forecasting.md)
-+   [如何在 Python 中使用差异变换删除趋势和季节性](remove-trends-seasonality-difference-transform-python.md)
++   [如何在 Python 中使用差分变换删除趋势和季节性](remove-trends-seasonality-difference-transform-python.md)
 +   [如何在 LSTM 中种子状态用于 Python 中的时间序列预测](seed-state-lstms-time-series-forecasting-python.md)
 +   [使用 Python 进行时间序列预测的有状态和无状态 LSTM](stateful-stateless-lstm-time-series-forecasting-python.md)
-+   [长短时记忆网络在时间序列预测中的适用性](suitability-long-short-term-memory-networks-time-series-forecasting.md)
++   [长短期记忆网络在时间序列预测中的适用性](suitability-long-short-term-memory-networks-time-series-forecasting.md)
 +   [时间序列预测问题的分类](taxonomy-of-time-series-forecasting-problems.md)
 +   [Python 中长短期记忆网络的时间序列预测](time-series-forecasting-long-short-term-memory-network-python.md)
 +   [基于 Keras 的 Python 中 LSTM 循环神经网络的时间序列预测](time-series-prediction-lstm-recurrent-neural-networks-python-keras.md)

docs/dl-ts/machine-learning-data-transforms-for-time-series-forecasting.md

@@ -38,7 +38,7 @@
 他们是：
 
 *   电力转换
-*   差异变换
+*   差分变换
 *   标准化
 *   正常化
 
@@ -119,7 +119,7 @@ print(inverted)
 [1.0, 2.0, 2.9999999999999996, 3.999999999999999, 5.000000000000001, 6.000000000000001, 6.999999999999999, 7.999999999999998, 8.999999999999998]
 ```
 
-### 差异变换
+### 差分变换
 
 差分变换是从时间序列中去除系统结构的简单方法。
 
@@ -167,7 +167,7 @@ inverted = invert_difference(data, transformed, 1)
 print(inverted)
 ```
 
-运行该示例将打印原始数据集，差异变换的结果以及转换后的原始值。
+运行该示例将打印原始数据集，差分变换的结果以及转换后的原始值。
 
 注意，变换后序列中的第一个“间隔”值将丢失。这是因为它们在“间隔”之前的时间步长没有值，因此无法区分。
 
@@ -369,7 +369,7 @@ print(inverted)
 ### 帖子
 
 *   [如何使用 Python 进行时间序列预测数据的电源转换](https://machinelearningmastery.com/power-transform-time-series-forecast-data-python/)
-*   [如何使用 Python 中的差异变换删除趋势和季节性](https://machinelearningmastery.com/remove-trends-seasonality-difference-transform-python/)
+*   [如何使用 Python 中的差分变换删除趋势和季节性](https://machinelearningmastery.com/remove-trends-seasonality-difference-transform-python/)
 *   [如何区分时间序列数据集与 Python](https://machinelearningmastery.com/difference-time-series-dataset-python/)
 *   [如何在 Python 中标准化和标准化时间序列数据](https://machinelearningmastery.com/normalize-standardize-time-series-data-python/)
 

docs/dl-ts/remove-trends-seasonality-difference-transform-python.md

-# 如何在 Python 中使用差异变换删除趋势和季节性
+# 如何在 Python 中使用差分变换删除趋势和季节性
 
 > 原文： [https://machinelearningmastery.com/remove-trends-seasonality-difference-transform-python/](https://machinelearningmastery.com/remove-trends-seasonality-difference-transform-python/)
 
@@ -13,14 +13,14 @@
 完成本教程后，您将了解：
 
 *   静止和非静止时间序列之间的对比以及如何使用差分变换使一系列静止。
-*   如何应用差异变换从系列中删除线性趋势。
-*   如何应用差异变换从系列中删除季节性信号。
+*   如何应用差分变换从系列中删除线性趋势。
+*   如何应用差分变换从系列中删除季节性信号。
 
 让我们开始吧。
 
 ![How to Remove Trends and Seasonality with a Difference Transform in Python](img/d7d2d16af4ae339a9737e0115e69b418.jpg)
 
-如何使用 Python 中的差异变换删除趋势和季节性
+如何使用 Python 中的差分变换删除趋势和季节性
 照片由 [NOAA](https://www.flickr.com/photos/noaaphotolib/5015132522/) ，保留一些权利。
 
 ## 教程概述
@@ -28,7 +28,7 @@
 本教程分为 4 个部分;他们是：
 
 1.  平稳
-2.  差异变换
+2.  差分变换
 3.  差异化去除趋势
 4.  区别于删除季节性
 
@@ -78,7 +78,7 @@
 
 统计时间序列方法甚至现代机器学习方法将受益于数据中更清晰的信号。
 
-## 差异变换
+## 差分变换
 
 差分是一种转换时间序列数据集的方法。
 
@@ -152,7 +152,7 @@ def inverse_difference(last_ob, value):
 
 ## 差异化去除趋势
 
-在本节中，我们将介绍使用差异变换来移除趋势。
+在本节中，我们将介绍使用差分变换来移除趋势。
 
 趋势通过提高水平使时间序列非静止。这具有随时间改变平均时间序列值的效果。
 
@@ -194,7 +194,7 @@ print(inverted)
 
 ## 区别于删除季节性
 
-在本节中，我们将介绍使用差异变换来消除季节性。
+在本节中，我们将介绍使用差分变换来消除季节性。
 
 季节性变化或季节性是随着时间的推移而定期重复的循环。
 
@@ -245,7 +245,7 @@ pyplot.show()
 
 人工数据集的线图
 
-接下来，应用差异变换并绘制结果。该图显示了 360 个零值，并删除了所有季节性信号。
+接下来，应用差分变换并绘制结果。该图显示了 360 个零值，并删除了所有季节性信号。
 
 在上面的去趋势示例中，差值应用滞后为 1，这意味着牺牲了第一个值。这里整个周期用于差分，即 360 个时间步长。结果是牺牲整个第一循环以区分第二循环。
 
@@ -270,13 +270,13 @@ pyplot.show()
 
 ## 摘要
 
-在本教程中，您发现了静态和非平稳时间序列之间的区别，以及如何使用差异变换来消除 Python 的趋势和季节性。
+在本教程中，您发现了静态和非平稳时间序列之间的区别，以及如何使用差分变换来消除 Python 的趋势和季节性。
 
 具体来说，你学到了：
 
 *   静止和非静止时间序列之间的对比以及如何使用差分变换使一系列静止。
-*   如何应用差异变换从系列中删除线性趋势。
-*   如何应用差异变换从系列中删除季节性信号。
+*   如何应用差分变换从系列中删除线性趋势。
+*   如何应用差分变换从系列中删除季节性信号。
 
 你对使时间序列固定有任何疑问吗？
 在评论中提出您的问题，我会尽力回答。
\ No newline at end of file

docs/dl-ts/seed-state-lstms-time-series-forecasting-python.md

-# 如何在 LSTM 中种子状态用于 Python 中的时间序列预测
+# 如何在 Python 和 LSTM 中为时间序列预测播种状态
 
 > 原文： [https://machinelearningmastery.com/seed-state-lstms-time-series-forecasting-python/](https://machinelearningmastery.com/seed-state-lstms-time-series-forecasting-python/)
 

docs/dl-ts/stateful-stateless-lstm-time-series-forecasting-python.md

-# 使用 Python 进行时间序列预测的有状态和无状态 LSTM
+# 使用 Python 用于时间序列预测的有状态和无状态 LSTM
 
 > 原文： [https://machinelearningmastery.com/stateful-stateless-lstm-time-series-forecasting-python/](https://machinelearningmastery.com/stateful-stateless-lstm-time-series-forecasting-python/)
 

docs/dl-ts/suitability-long-short-term-memory-networks-time-series-forecasting.md

-# 长短时记忆网络在时间序列预测中的适用性
+# 长短期记忆网络在时间序列预测中的适用性
 
 > 原文： [https://machinelearningmastery.com/suitability-long-short-term-memory-networks-time-series-forecasting/](https://machinelearningmastery.com/suitability-long-short-term-memory-networks-time-series-forecasting/)
 

docs/dl-ts/taxonomy-of-time-series-forecasting-problems.md

-# 时间序列预测问题的分类
+# 时间序列预测问题的分类系统
 
 > 原文： [https://machinelearningmastery.com/taxonomy-of-time-series-forecasting-problems/](https://machinelearningmastery.com/taxonomy-of-time-series-forecasting-problems/)
 

docs/dl-ts/time-series-forecasting-long-short-term-memory-network-python.md

-# Python 中长短期记忆网络的时间序列预测
+# Python 中使用长短期记忆网络的时间序列预测
 
 > 原文： [https://machinelearningmastery.com/time-series-forecasting-long-short-term-memory-network-python/](https://machinelearningmastery.com/time-series-forecasting-long-short-term-memory-network-python/)
 

docs/dl-ts/time-series-prediction-lstm-recurrent-neural-networks-python-keras.md

-# 基于 Keras 的 Python 中 LSTM 循环神经网络的时间序列预测
+# 基于 Python 和 Keras 的使用 LSTM 循环神经网络的时间序列预测
 
 > 原文： [https://machinelearningmastery.com/time-series-prediction-lstm-recurrent-neural-networks-python-keras/](https://machinelearningmastery.com/time-series-prediction-lstm-recurrent-neural-networks-python-keras/)
 

docs/dl-ts/time-series-prediction-with-deep-learning-in-python-with-keras.md

-# Keras 中深度学习的时间序列预测
+# Keras 中使用深度学习的时间序列预测
 
 > 原文： [https://machinelearningmastery.com/time-series-prediction-with-deep-learning-in-python-with-keras/](https://machinelearningmastery.com/time-series-prediction-with-deep-learning-in-python-with-keras/)
 

docs/dl-ts/tune-lstm-hyperparameters-keras-time-series-forecasting.md

-# 如何用 Keras 调整 LSTM 超参数进行时间序列预测
+# 如何用 Keras 为时间序列预测调整 LSTM 超参数
 
 > 原文： [https://machinelearningmastery.com/tune-lstm-hyperparameters-keras-time-series-forecasting/](https://machinelearningmastery.com/tune-lstm-hyperparameters-keras-time-series-forecasting/)
 

docs/dl-ts/use-dropout-lstm-networks-time-series-forecasting.md

-# 如何使用 LSTM 网络的 Dropout 进行时间序列预测
+# 如何为时间序列预测使用 LSTM 网络的丢弃法
 
 > 原文： [https://machinelearningmastery.com/use-dropout-lstm-networks-time-series-forecasting/](https://machinelearningmastery.com/use-dropout-lstm-networks-time-series-forecasting/)
 

docs/dl-ts/use-features-lstm-networks-time-series-forecasting.md

-# 如何使用 LSTM 网络中的特征进行时间序列预测
+# 如何为时间序列预测使用 LSTM 网络中的特征
 
 > 原文： [https://machinelearningmastery.com/use-features-lstm-networks-time-series-forecasting/](https://machinelearningmastery.com/use-features-lstm-networks-time-series-forecasting/)
 

docs/dl-ts/use-timesteps-lstm-networks-time-series-forecasting.md

-# 如何在 LSTM 网络中使用时间序列进行时间序列预测
+# 如何将 LSTM 网络用于时间序列预测
 
 > 原文： [https://machinelearningmastery.com/use-timesteps-lstm-networks-time-series-forecasting/](https://machinelearningmastery.com/use-timesteps-lstm-networks-time-series-forecasting/)
 

docs/dl-ts/use-weight-regularization-lstm-networks-time-series-forecasting.md

-# 如何利用 LSTM 网络进行权重正则化进行时间序列预测
+# 如何为时间序列预测使用 LSTM 网络的权重正则化
 
 > 原文： [https://machinelearningmastery.com/use-weight-regularization-lstm-networks-time-series-forecasting/](https://machinelearningmastery.com/use-weight-regularization-lstm-networks-time-series-forecasting/)
 

docs/lstm/SUMMARY.md

 +   [Machine Learning Mastery LSTM 教程](README.md)
 +   [Keras中长短期记忆模型的5步生命周期](5-step-life-cycle-long-short-term-memory-models-keras.md)
-+   [长短时记忆循环神经网络的注意事项](attention-long-short-term-memory-recurrent-neural-networks.md)
++   [长短期记忆循环神经网络的注意事项](attention-long-short-term-memory-recurrent-neural-networks.md)
 +   [CNN长短期记忆网络](cnn-long-short-term-memory-networks.md)
 +   [逆向神经网络中的深度学习速成课程](crash-course-recurrent-neural-networks-deep-learning.md)
 +   [可变长度输入序列的数据准备](data-preparation-variable-length-input-sequences-sequence-prediction.md)
@@ -15,12 +15,12 @@
 +   [专家对长短期记忆网络的简要介绍](gentle-introduction-long-short-term-memory-networks-experts.md)
 +   [在序列预测问题上充分利用LSTM](get-the-most-out-of-lstms.md)
 +   [编辑器 - 解码器循环神经网络全局注意的温和介绍](global-attention-for-encoder-decoder-recurrent-neural-networks.md)
-+   [如何利用长短时记忆循环神经网络处理很长的序列](handle-long-sequences-long-short-term-memory-recurrent-neural-networks.md)
++   [如何利用长短期记忆循环神经网络处理很长的序列](handle-long-sequences-long-short-term-memory-recurrent-neural-networks.md)
 +   [如何在Python中对一个热编码序列数据](how-to-one-hot-encode-sequence-data-in-python.md)
 +   [如何使用编解码器LSTM来回显随机整数序列](how-to-use-an-encoder-decoder-lstm-to-echo-sequences-of-random-integers.md)
 +   [具有注意力的编解码器RNN架构的实现模式](implementation-patterns-encoder-decoder-rnn-architecture-attention.md)
 +   [学习使用编码器解码器LSTM循环神经网络添加数字](learn-add-numbers-seq2seq-recurrent-neural-networks.md)
-+   [如何学习长短时记忆循环神经网络回声随机整数](learn-echo-r​​andom-integers-long-short-term-memory-recurrent-neural-networks.md)
++   [如何学习长短期记忆循环神经网络回声随机整数](learn-echo-r​​andom-integers-long-short-term-memory-recurrent-neural-networks.md)
 +   [具有Keras的长短期记忆循环神经网络的迷你课程](long-short-term-memory-recurrent-neural-networks-mini-course.md)
 +   [LSTM自动编码器的温和介绍](lstm-autoencoders.md)
 +   [如何用Keras中的长短期记忆模型做出预测](make-predictions-long-short-term-memory-models-keras.md)

docs/lstm/attention-long-short-term-memory-recurrent-neural-networks.md

-# 长短时记忆循环神经网络的注意事项
+# 长短期记忆循环神经网络的注意事项
 
 > 原文： [https://machinelearningmastery.com/attention-long-short-term-memory-recurrent-neural-networks/](https://machinelearningmastery.com/attention-long-short-term-memory-recurrent-neural-networks/)
 

docs/lstm/handle-long-sequences-long-short-term-memory-recurrent-neural-networks.md

-# 如何利用长短时记忆循环神经网络处理很长的序列
+# 如何利用长短期记忆循环神经网络处理很长的序列
 
 > 原文： [https://machinelearningmastery.com/handle-long-sequences-long-short-term-memory-recurrent-neural-networks/](https://machinelearningmastery.com/handle-long-sequences-long-short-term-memory-recurrent-neural-networks/)
 

docs/lstm/learn-echo-r​​andom-integers-long-short-term-memory-recurrent-neural-networks.md

-# 如何学习长短时记忆循环神经网络回声随机整数
+# 如何学习长短期记忆循环神经网络回声随机整数
 
 > 原文： [https://machinelearningmastery.com/learn-echo-r​​andom-integers-long-short-term-memory-recurrent-neural-networks/](https://machinelearningmastery.com/learn-echo-random-integers-long-short-term-memory-recurrent-neural-networks/)
 

docs/ts-intro/difference-time-series-dataset-python.md

@@ -175,8 +175,8 @@ pyplot.show()
 具体来说，你学到了：
 
 *   关于差异操作，包括滞后和顺序的配置。
-*   如何手动实现差异变换。
-*   如何使用内置的 Pandas 实现差异变换。
+*   如何手动实现差分变换。
+*   如何使用内置的 Pandas 实现差分变换。
 
 您对差异或此帖有任何疑问吗？
 在下面的评论中提出您的问题。
\ No newline at end of file