diff --git a/7-TimeSeries/1-Introduction/translations/README.az.md b/7-TimeSeries/1-Introduction/translations/README.az.md index 69d280363..6ac7a6de4 100644 --- a/7-TimeSeries/1-Introduction/translations/README.az.md +++ b/7-TimeSeries/1-Introduction/translations/README.az.md @@ -4,15 +4,15 @@ > [Tomomi Imura](https://www.twitter.com/girlie_mac) tərəfindən çəkilmiş eskiz -Bu və sonrakı dərsdə siz MÖ aliminin repertuarının digər mövzulardan bir qədər az tanınan maraqlı və dəyərli hissəsi olan zaman seriyalarının proqnozlaşdırılması haqqında öyrənəcəksiniz. Bu proqnozlaşdırma bir növ 'kristal kürə'-ə bənzəyir: məsələn, qiymət dəyişəninin keçmiş performansına əsaslanaraq, onun gələcək potensial dəyərini təxmin edə bilərsiniz. +Bu və sonrakı dərsdə siz ML mühəndisinin repertuarının digər mövzulardan bir qədər az tanınan maraqlı və dəyərli hissəsi olan zaman seriyalarının proqnozlaşdırılması haqqında öyrənəcəksiniz. Bu proqnozlaşdırma bir növ 'kristal kürə'-yə bənzəyir: məsələn, qiymət dəyişəninin keçmiş performansına əsaslanaraq, onun gələcək potensial dəyərini təxmin edə bilərsiniz. [![Zaman seriyalarının proqnozlaşdırılmasına giriş](https://img.youtube.com/vi/cBojo1hsHiI/0.jpg)](https://youtu.be/cBojo1hsHiI "Zaman seriyalarının proqnozlaşdırılmasına giriş") > 🎥 Zaman seriyalarının proqnozlaşdırılması haqqında olan video üçün yuxarıdakı şəkilə klikləyin. -## [Mühazirədən əvvəl test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/41/) +## [Mühazirədən əvvəl test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/41/?loc=az) -Zaman seriyalarının proqnozlaşdırılması qiymət, inventar və təchizat zənciri problemlərinə birbaşa tətbiqi nəzərə alınmaqla, biznes üçün real dəyərə malik faydalı və maraqlı sahədir. Gələcək performansı daha yaxşı proqnozlaşdırmaq üçün daha çox məlumat əldə etmək üçün dərin öyrənmə üsullarından istifadə edilməyə başlansa da, zaman seriyalarının proqnozlaşdırılması klassik ML texnikalarına dayalı bir sahə olaraq qalır. +Zaman seriyalarının proqnozlaşdırılması qiymət, inventar və təchizat zənciri problemlərinə birbaşa tətbiqi nəzərə alınmaqla biznes üçün real dəyərə malik faydalı və maraqlı sahədir. Gələcək performansı daha yaxşı proqnozlaşdırmaq üçün daha çox məlumat əldə etmək üçün dərin öyrənmə üsullarından istifadə edilməyə başlansa da, zaman seriyalarının proqnozlaşdırılması klassik ML texnikalarına əsaslanan bir sahə olaraq qalır. > Penn State-in faydalı zaman seriyası kurrikulumuna [burada](https://online.stat.psu.edu/stat510/lesson/1) baxa bilərsiniz. @@ -20,13 +20,13 @@ Zaman seriyalarının proqnozlaşdırılması qiymət, inventar və təchizat z Tutaq ki, siz onların nə qədər tez-tez istifadə edildiyi və zamanla nə qədər müddətə istifadə edildiyi barədə məlumat verən bir seriya ağıllı parkomatlara sahibsiniz. -> Əgər tələb və təklif qaydalarına uyğun olaraq, sayğacın keçmiş performansına əsaslanıb onun gələcək dəyərini proqnozlaşdıra bilsəydiniz, bunanla nə edərdiniz? +> Əgər tələb və təklif qaydalarına uyğun olaraq sayğacın keçmiş performansına əsaslanıb onun gələcək dəyərini proqnozlaşdıra bilsəydiniz, bunanla nə edərdiniz? Məqsədinizə çatmaq üçün nə vaxt hərəkət edəcəyinizi dəqiq proqnozlaşdırmaq zaman seriyalarının proqnozlaşdırılması ilə həll edilə bilən bir problemdir. Pik saatlarda dayanacaq yeri axtaran insanlardan daha çox ödəniş almaq onları sevindirməz, lakin bu, küçələri təmizləmək üçün gəlir əldə etməyin etibarlı yolu olardı! -Gəlin zaman seriyaları alqoritmlərinin bəzi növlərini araşdıraq və dəftərçəni yaratmaqla bəzi məlumatları təmizləmək və hazırlamağa başlayaq. Təhlil edəcəyiniz data GEFCom2014 proqnozlaşdırma müsabiqəsindən götürülmüşdür. Həmin data, 2012 və 2014-cü illər arasında 3 illik, saatlıq elektrik yükü və temperatur dəyərlərindən ibarətdir. Elektrik yükünün və temperaturun tarixi nümunələrini nəzərə alaraq, elektrik yükünün gələcək dəyərlərini proqnozlaşdıra bilərsiniz. +Gəlin zaman seriyaları alqoritmlərinin bəzi növlərini araşdıraq və notbuk yaratmaqla bəzi məlumatları təmizləmək və hazırlamağa başlayaq. Təhlil edəcəyiniz data GEFCom2014 proqnozlaşdırma müsabiqəsindən götürülmüşdür. Həmin data, 2012 və 2014-cü illər arasında 3 illik, saatlıq elektrik yükü və temperatur dəyərlərindən ibarətdir. Elektrik yükünün və temperaturun tarixi nümunələrini nəzərə alaraq elektrik yükünün gələcək dəyərlərini proqnozlaşdıra bilərsiniz. -Bu nümunədə siz, yalnız keçmiş yükləmə datasından istifadə edərək bir addım irəlini proqnozlaşdırmağı öyrənəcəksiniz. Başlamazdan əvvəl, ekran arxasında nələrin baş verdiyini anlamaqda fayda var. +Bu nümunədə siz yalnız keçmiş yükləmə datasından istifadə edərək bir addım irəlini proqnozlaşdırmağı öyrənəcəksiniz. Başlamazdan əvvəl ekran arxasında nələrin baş verdiyini anlamaqda fayda var. ## Bəzi təriflər @@ -34,11 +34,11 @@ Bu nümunədə siz, yalnız keçmiş yükləmə datasından istifadə edərək b 🎓 **Zaman seriyaları** -Riyaziyyatda "zaman seriyası, vaxt sırasına görə indeksləşdirilmiş(və ya siyahıya alınmış, yaxud da qrafikləşdirilmiş) data nöqtələrinin sırasıdır. Ən çox yayılmış zaman seriyası, zamanın ardıcıl bərabər məsafəli nöqtələrində götürülən ardıcıllıqdır." Zaman seriyasına misal olaraq [Dow Jones Sənaye Ortalamasının](https://wikipedia.org/wiki/Time_series) gündəlik bağlanış dəyərini göstərmək olar. Zaman seriyalarının qrafiklərindən və statistik modelləşdirməsindən istifadəyə tez-tez siqnalların işlənməsi, hava proqnozu, zəlzələnin proqnozlaşdırılması və hadisələrin baş verdiyi müddətdə məlumat nöqtələrinin zamanla tərtib oluna biləcəyi digər sahələrdə rast gəlinir. +Riyaziyyatda "zaman seriyası vaxt sırasına görə indeksləşdirilmiş(və ya siyahıya alınmış, yaxud da qrafikləşdirilmiş) data nöqtələrinin sırasıdır. Ən çox yayılmış zaman seriyası zamanın ardıcıl bərabər məsafəli nöqtələrində götürülən ardıcıllıqdır." Zaman seriyasına misal olaraq [Dow Jones Sənaye Ortalamasının](https://wikipedia.org/wiki/Time_series) gündəlik bağlanış dəyərini göstərmək olar. Zaman seriyalarının qrafiklərindən və statistik modelləşdirməsindən istifadəyə tez-tez siqnalların işlənməsi, hava proqnozu, zəlzələnin proqnozlaşdırılması və hadisələrin baş verdiyi müddətdə məlumat nöqtələrinin zamanla tərtib oluna biləcəyi digər sahələrdə rast gəlinir. 🎓 **Zaman seriyalarının təhlili** -Zaman seriyalarının təhlili, yuxarıda qeyd olunan zaman seriyası məlumatlarının təhlilidir. Zaman seriyası dataları müxtəlif formalarda ola bilər. Onlardan biri, fasilə verən hadisədən əvvəl və sonra bir zaman seriyasındakı qanunauyğunluqları aşkarlayan "kəsintili zaman seriyası"-dır. Zaman seriyası üçün lazım olan analiz növü məlumatların xarakterindən asılıdır. Məlumatların özü isə nömrələr və ya simvollar seriyası formasında ola bilər. +Zaman seriyalarının təhlili yuxarıda qeyd olunan zaman seriyası məlumatlarının təhlilidir. Zaman seriyası dataları müxtəlif formalarda ola bilər. Onlardan biri fasilə verən hadisədən əvvəl və sonra bir zaman seriyasındakı qanunauyğunluqları aşkarlayan "kəsintili (diskret) zaman seriyası"-dır. Zaman seriyası üçün lazım olan analiz növü məlumatların xarakterindən asılıdır. Məlumatların özü isə nömrələr və ya simvollar seriyası formasında ola bilər. İcrası nəzərdə tutulan təhlildə tezlik-domen və zaman-domen, xətti və qeyri-xətti və s. daxil olmaqla müxtəlif üsullardan istifadə edilir. Bu tip dataların analiz üsulları barədə ətraflı məlumatı [buradan](https://www.itl.nist.gov/div898/handbook/pmc/section4/pmc4.htm) öyrənə bilərsiniz. @@ -46,13 +46,13 @@ Zaman seriyalarının təhlili, yuxarıda qeyd olunan zaman seriyası məlumatla Zaman seriyalarının proqnozlaşdırılması, keçmişdə toplanmış dataların yaratdığı qanunauyğunluğa əsasən gələcək dəyərləri proqnozlaşdırmaq üçün hansısa bir modeldən istifadə etməkdir. Zaman seriyası datalarını tədqiq etmək üçün reqressiya modellərindən istifadə etmək mümkün olsa da, belə məlumatlar xüsusi model tiplərindən istifadə etməklə ən yaxşı şəkildə təhlil edilir. -Zaman seriyası, datası xətti reqressiya ilə təhlil edilə bilən məlumatlardan fərqli olaraq, ardıcıl müşahidələrin siyahısıdır. Ən çox yayılmışı ARIMA-dır, açılışı "Autoregressive Integrated Moving Average" deməkdir. +Zaman seriyası datası xətti reqressiya ilə təhlil edilə bilən məlumatlardan fərqli olaraq ardıcıl müşahidələrin siyahısıdır. Ən çox yayılmışı ARIMA-dır, açılışı "Autoregressive Integrated Moving Average" deməkdir. -[ARIMA modelləri](https://online.stat.psu.edu/stat510/lesson/1/1.1) "seriyanın indiki dəyərini keçmiş dəyərlər və keçmiş proqnoz xətaları ilə əlaqələndirir." Onlar məlumatların zamanla seriyalandığı zaman domen məlumatlarını təhlil etmək üçün ən uyğun variantdırlar. +[ARIMA modelləri](https://online.stat.psu.edu/stat510/lesson/1/1.1) "seriyanın indiki dəyərini keçmiş dəyərlər və keçmiş proqnoz xətaları ilə əlaqələndirir." Onlar məlumatların zamanla seriyalandığı zaman-domen məlumatlarını təhlil etmək üçün ən uyğun variantdırlar. > ARIMA modellərinin bir neçə növü var ki, onlar haqqında [burada](https://people.duke.edu/~rnau/411arim.htm) öyrənə bilərsiniz. Növbəti dərsdə onlar barədə öyrənəcəksiniz. -Növbəti dərsdə siz, dəyərini zaman yeniləyən bir dəyişənə fokuslanan [Univariate Time Series](https://itl.nist.gov/div898/handbook/pmc/section4/pmc44.htm) istifadə edərək ARIMA modeli quracaqsınız. Bu tip məlumatlara misal olaraq, Mauna Loa Rəsədxanasında aylıq karbon qazı konsentrasiyasını qeyd edən [bu verilənlər bazası](https://itl.nist.gov/div898/handbook/pmc/section4/pmc4411.htm) ola bilər: +Növbəti dərsdə siz dəyərini zamanla yenilənən bir dəyişənə fokuslanan [Univariate Time Series](https://itl.nist.gov/div898/handbook/pmc/section4/pmc44.htm) istifadə edərək ARIMA modeli quracaqsınız. Bu tip məlumatlara misal olaraq Mauna Loa Rəsədxanasında aylıq karbon qazı konsentrasiyasını qeyd edən [bu verilənlər bazası](https://itl.nist.gov/div898/handbook/pmc/section4/pmc4411.htm) ola bilər: | CO2 | YearMonth | Year | Month | | :----: | :-------: | :---: | :---: | @@ -73,7 +73,7 @@ Növbəti dərsdə siz, dəyərini zaman yeniləyən bir dəyişənə fokuslanan ## Nəzərə alınmalı Zaman seriyası data xarakteristikaları -Zaman seriyası məlumatlarına baxarkən onların daha yaxşı başa düşmək üçün nəzərə almalı və azaltmalı olduğunuz [müəyyən xüsusiyyətlərə](https://online.stat.psu.edu/stat510/lesson/1/1.1) malik olduğunu görə bilərsiniz. Əgər siz zaman seriyası datalarını, analiz etmək istədiyiniz potensial 'sinqal' ötürücüsü olaraq görürsünüzə, bu xüsusiyyətlər “səs-küy” kimi düşünülə bilər. Siz tez-tez müxtəlif statistik üsullardan istifadə edərək həmin xüsusiyyətlərin bəzilərini əvəz etməklə 'səs-küyü' azaltmalı olacaqsınız. +Zaman seriyası məlumatlarına baxarkən onların daha yaxşı başa düşmək üçün nəzərə almalı və azaltmalı olduğunuz [müəyyən xüsusiyyətlərə](https://online.stat.psu.edu/stat510/lesson/1/1.1) malik olduğunu görə bilərsiniz. Əgər siz zaman seriyası datalarını analiz etmək istədiyiniz potensial 'sinqal' ötürücüsü olaraq görürsünüzə, bu xüsusiyyətlər “səs-küy” kimi düşünülə bilər. Siz tez-tez müxtəlif statistik üsullardan istifadə edərək həmin xüsusiyyətlərin bəzilərini əvəz etməklə 'səs-küyü' azaltmalı olacaqsınız. Zaman seriyaları ilə işləyə bilmək üçün bilməli olduğunuz bəzi anlayışlar bunlardır: @@ -91,7 +91,7 @@ Kənar göstəricilər standart məlumat fərqindən çox uzaqdır. 🎓 **Uzun müddətli dövr** -Mövsümilikdən asılı olmayaraq, məlumatlar bir ildən çox davam edən iqtisadi tənəzzül kimi uzunmüddətli dövrü göstərə bilər. +Mövsümilikdən asılı olmayaraq məlumatlar bir ildən çox davam edən iqtisadi tənəzzül kimi uzunmüddətli dövrü göstərə bilər. 🎓 **Daimi fərq** @@ -101,7 +101,7 @@ Zaman keçdikcə bəzi məlumatlar gecə və gündüz enerji istifadəsi kimi da Verilənlər əlavə təhlilə ehtiyac duyan qəfil dəyişikliklər göstərə bilər. Məsələn, COVID səbəbiylə müəssisələrin qəfil bağlanması məlumatların dəyişməsinə səbəb oldu. -✅ Burada bir neçə il ərzində, günlük oyundaxili satışları göstərən bir [nümunə zaman seriyası süjeti](https://www.kaggle.com/kashnitsky/topic-9-part-1-time-series-analysis-in-python) verilmişdir. Göstərilən datada yuxarıda sadalanan xüsusiyyətlərdən hansıları sezə bilərsiniz? +✅ Burada bir neçə il ərzində, günlük oyundaxili satışları göstərən bir [nümunə zaman seriyası qrafiki](https://www.kaggle.com/kashnitsky/topic-9-part-1-time-series-analysis-in-python) verilmişdir. Göstərilən datada yuxarıda sadalanan xüsusiyyətlərdən hansılarını sezə bilərsiniz? ![Oyundaxili satış xərcləri](../images/currency.png) @@ -170,11 +170,11 @@ Növbəti dərsdə bəzi proqnozlar yaratmaq üçün ARIMA modeli yaradacaqsın --- -## 🚀Çağırış +## 🚀 Məşğələ Zaman seriyalarının proqnozlaşdırılmasından faydalanacağını düşünə biləcəyiniz bütün sənaye və araşdırma sahələrinin siyahısını tərtib edin. Bu texnikaların incəsənətdə tətbiqi barədə düşünə bilərsinizmi? Ekonometrikada? Ekologiya? Pərakəndə satış? Sənaye? Maliyyə? Başqa harada? -## [Mühazirə sonrası test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/42/) +## [Mühazirə sonrası test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/42/?loc=az) ## Təkrarlayın və özünüz öyrənin diff --git a/7-TimeSeries/1-Introduction/translations/assignment.az.md b/7-TimeSeries/1-Introduction/translations/assignment.az.md index ada6db381..b7229a2a3 100644 --- a/7-TimeSeries/1-Introduction/translations/assignment.az.md +++ b/7-TimeSeries/1-Introduction/translations/assignment.az.md @@ -2,10 +2,10 @@ ## Təlimatlar -Bu xüsusi modelləşdirməni tələb edən data tiplərinə baxaraq Zaman Seriyasının Proqnozlaşdırılması haqqında öyrənməyə başlamısınız. Enerji ilə bağlı bəzi dataları artıq vizuallaşdırmısınız. İndi isə Zaman Seriyasının Proqnozlaşdırılmasından faydalana biləcək bəzi digər datalar baxın. Üç nümunə tapın ([Kaggle](https://kaggle.com) və [Azure Open Datasets](https://azure.microsoft.com/en-us/services/open-datasets/catalog/?WT.mc_id=academic-77952-leestott)-i yoxlayın) və onları vizuallaşdırmaq üçün dəftərçə yaradın. Onların hər hansı xüsusi xüsusiyyətlərini (mövsümilik, qəfil dəyişikliklər və ya digər tendensiyalar) qeyd dəftərinizdə qeyd edin. +Bu xüsusi modelləşdirməni tələb edən data tiplərinə baxaraq Zaman Seriyasının Proqnozlaşdırılması haqqında öyrənməyə başlamısınız. Enerji ilə bağlı bəzi dataları artıq vizuallaşdırmısınız. İndi isə Zaman Seriyasının Proqnozlaşdırılmasından faydalana biləcək bəzi digər datalar baxın. Üç nümunə tapın ([Kaggle](https://kaggle.com) və [Azure Open Datasets](https://azure.microsoft.com/en-us/services/open-datasets/catalog/?WT.mc_id=academic-77952-leestott)-i yoxlayın) və onları vizuallaşdırmaq üçün notbuk yaradın. Onların hər hansı xüsusi xüsusiyyətlərini (mövsümilik, qəfil dəyişikliklər və ya digər tendensiyalar) qeyd dəftərinizdə qeyd edin. ## Rubrika | Meyarlar | Nümunəvi | Adekvat | İnkişaf Etdirilməli Olan | -| -------- | ------------------------------------------------------- | ------------------------------------------------- | -------------------------------- | -| | Üç data setinin qrafiki çəkilmiş və dəftərçədə izah edilmişdir | Üç data setinin qrafiki çəkilmiş və dəftərçədə izah edilmişdir | Dəftərçədə çox az data setin qrafiki çəkilmiş və ya izah edilmiş, yaxud da təqdim olunan datalar kifayət qədər deyil | \ No newline at end of file +| -------- | -------- | ------- | ------------------------ | +| | Üç datasetin qrafiki çəkilmiş və notbukda izah edilmişdir | İki datasetin qrafiki çəkilmiş və notbukda izah edilmişdir | Notbukda çox az datasetin qrafiki çəkilmiş və ya izah edilmiş, yaxud da təqdim olunan datalar kifayət qədər deyil | \ No newline at end of file diff --git a/7-TimeSeries/2-ARIMA/translations/README.az.md b/7-TimeSeries/2-ARIMA/translations/README.az.md index 24fc15723..b6598034a 100644 --- a/7-TimeSeries/2-ARIMA/translations/README.az.md +++ b/7-TimeSeries/2-ARIMA/translations/README.az.md @@ -1,22 +1,22 @@ # ARIMA ilə zaman seriyalarının proqnozlaşdırılması -Əvvəlki dərsdə siz zaman sıralarının proqnozlaşdırılması haqqında öyrəndiniz. Əlavə olaraq isə, zamanla elektrik yükünün dalğalanmalarını göstərən verilənlər toplusunu yüklədiniz. +Əvvəlki dərsdə siz zaman seriyalarının proqnozlaşdırılması haqqında öyrəndiniz. Əlavə olaraq isə zamanla elektrik yükünün dalğalanmalarını göstərən verilənlər toplusunu yüklədiniz. [![ARIMA-a giriş](https://img.youtube.com/vi/IUSk-YDau10/0.jpg)](https://youtu.be/IUSk-YDau10 "ARIMA-a giriş") > 🎥 Video üçün yuxarıdakı şəkilə klikləyin: ARIMA modellərinə qısa giriş. Nümunə R dilində olsa da, anlayışlar universaldır. -## [Mühazirədən əvvəl test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/43/) +## [Mühazirədən əvvəl test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/43/?loc=az) ## Giriş -Bu dərsdə siz [ARIMA: *A*uto*R*egressive *I*inteqrasiya edilmiş *M*oving *A*verage](https://wikipedia.org/wiki/Autoregressive_integrated_moving_average) ilə modellər qurmağın xüsusi üsulunu kəşf edəcəksiniz. ARIMA modelləri [qeyri-stasionarlığı](https://wikipedia.org/wiki/Stationary_process) göstərən datalara uyğunlaşdırılmışdır. +Bu dərsdə siz [ARIMA: *A*uto*R*egressive *I*ntegrated *M*oving *A*verage](https://wikipedia.org/wiki/Autoregressive_integrated_moving_average) ilə modellər qurmağın xüsusi üsulunu kəşf edəcəksiniz. ARIMA modelləri [qeyri-stasionarlığı](https://wikipedia.org/wiki/Stationary_process) göstərən datalara uyğunlaşdırılmışdır. ## Ümumi anlayışlar ARIMA ilə işləyə bilmək üçün bilməli olduğunuz bəzi anlayışlar var: -- 🎓 **Stasionarlıq**. Statistik kontekstdən götürsək, stasionarlıq, zaman dəyişsə də paylanması dəyişməyən datalara aid bir anlayışdır. Beləliklə, qeyri-stasionar data, təhlil edilmək üçün transformasiya edilməli olan tendensiyalara görə dalğalanmaları göstərir. Məsələn, mövsümilik, məlumatlarda dalğalanmalar yarada bilər və “mövsümi fərqləndirmə” prosesi ilə aradan qaldırıla bilər. +- 🎓 **Stasionarlıq**. Statistik kontekstdən götürsək, stasionarlıq zaman dəyişsə də paylanması dəyişməyən datalara aid bir anlayışdır. Beləliklə, qeyri-stasionar data təhlil edilmək üçün transformasiya edilməli olan tendensiyalara görə dalğalanmaları göstərir. Məsələn, mövsümilik məlumatlarda dalğalanmalar yarada bilər və “mövsümi fərqləndirmə” prosesi ilə aradan qaldırıla bilər. - 🎓 **[Fərqləndirmə](https://wikipedia.org/wiki/Autoregressive_integrated_moving_average#Differencing)**. Fərqləndirmə, yenə də statistik kontekstdən götürsək, qeyri-stasionar məlumatların qeyri-sabit tendensiyasını aradan qaldıraraq stasionar hala gətirmək üçün çevrilməsi prosesinə deyilir. "Fərqləndirmə zaman seriyasının səviyyəsindəki dəyişiklikləri, trend və mövsümiliyi aradan qaldırır və nəticədə zaman seriyasının orta dəyərini sabitləşdirir." [Shixiong və digərlərinin müəllifi olduğu məqalə](https://arxiv.org/abs/1904.07632) @@ -24,19 +24,19 @@ ARIMA ilə işləyə bilmək üçün bilməli olduğunuz bəzi anlayışlar var: ARIMA-nın vaxt seriyalarını modelləşdirməyə və ona qarşı proqnozlar verməyə necə kömək etdiyini araşdıraq. -- **AR - AvtoReqressiv**. Avtoreqressiv modellər, adından da göründüyü kimi, məlumatlarınızdakı əvvəlki dəyərləri təhlil etmək və onlar haqqında fərziyyələr irəli sürmək üçün zamanda "geriyə" baxır. Həmin əvvəlki dəyərlər “geriləmiş” adlanır. Məsələn, qələmlərin aylıq satışını göstərən məlumatlar. Hər ayın ümumi satışları datasetdə "inkişaf edən dəyişən" hesab olunacaq. Bu model "inkişaf edən maraq dəyişəninin öz geridə qalmış (yəni əvvəlki) dəyərlərinə dönməsi" kimi qurulmuşdur. [wikipedia](https://wikipedia.org/wiki/Autoregressive_integrated_moving_average)x +- **AR - AvtoReqressiv**. Avtoreqressiv modellər, adından da göründüyü kimi, məlumatlarınızdakı əvvəlki dəyərləri təhlil etmək və onlar haqqında fərziyyələr irəli sürmək üçün zamanda "geriyə" baxır. Həmin əvvəlki dəyərlər “geriləmiş” adlanır. Məsələn, qələmlərin aylıq satışını göstərən məlumatlar. Hər ayın ümumi satışları datasetdə "inkişaf edən dəyişən" hesab olunacaq. Bu model "inkişaf edən maraq dəyişəninin öz geridə qalmış (yəni əvvəlki) dəyərlərinə dönməsi" kimi qurulmuşdur. [wikipedia](https://wikipedia.org/wiki/Autoregressive_integrated_moving_average) - **I - İnteqrasiya**. Oxşar "ARMA" modellərindən fərqli olaraq, ARIMA-dakı "I" onun *[inteqrasiya edilmiş](https://wikipedia.org/wiki/Order_of_integration)* olmasına işarə edir. Qeyri-stasionarlığı aradan qaldırmaq üçün fərqli addımlar tətbiq edildikdə məlumatlar “inteqrasiya olunur”. - **MA - Moving Average(Dəyişkən Orta Dəyər)**. Bu modelin [dəyişkən orta dəyər](https://wikipedia.org/wiki/Moving-average_model) aspekti geriləmiş dəyərlərin cari və keçmiş qiymətlərini müşahidə etməklə müəyyən edilən çıxış dəyişəninə aiddir. -Qeyd: ARIMA modeli zaman seriyası məlumatlarının xüsusi formasına mümkün qədər yaxından uyğunlaşdırmaq üçün istifadə olunur. +Qeyd: ARIMA modeli zaman seriyası datalarının xüsusi formasına mümkün qədər yaxından uyğunlaşdırmaq üçün istifadə olunur. ## Tapşırıq - ARIMA modelini qurun -Bu dərsin [_/working_](https://github.com/microsoft/ML-For-Beginners/tree/main/7-TimeSeries/2-ARIMA/working) qovluğunu açın və [_notebook.ipynb_] faylını tapın (https://github.com/microsoft/ML-For-Beginners/blob/main/7-TimeSeries/2-ARIMA/working/notebook.ipynb). +Bu dərsin [_/working_](https://github.com/microsoft/ML-For-Beginners/tree/main/7-TimeSeries/2-ARIMA/working) qovluğunu açın və [_notebook.ipynb_](https://github.com/microsoft/ML-For-Beginners/blob/main/7-TimeSeries/2-ARIMA/working/notebook.ipynb) faylını tapın . -1. ARIMA modellərində sizə lazım olacaq `statsmodels` Python kitabxanasını yükləmək üçün dəftərçəni işə salın. +1. ARIMA modellərində sizə lazım olacaq `statsmodels` Python kitabxanasını yükləmək üçün notbuku işə salın. 1. Lazımi kitabxanaları yükləyin @@ -81,9 +81,9 @@ Bu dərsin [_/working_](https://github.com/microsoft/ML-For-Beginners/tree/main/ İndi, modeli quraq! -### Öyrətmə və test data setlərini yaradın +### Öyrətmə və test datasetlərini yaradın -İndi datalarımız yükləndi, beləliklə siz onları öyrətmə və test dəstlərinə ayıra bilərsiniz. Modelinizi öyrətmə dəstində öyrədəcəksiniz. Həmişə olduğu kimi, modelin öyrədilməsini bitirdikdən sonra siz test setindən istifadə edərək onun düzgünlüyünü qiymətləndirəcəksiniz. Modelin gələcək zaman dilimlərindən məlumat əldə etməməsini təmin etmək üçün test setinin, öyrətmə setindən sonrakı dövrü əhatə etdiyinə əmin olmalısınız. +İndi datalarımız yükləndi, beləliklə siz onları öyrətmə və test setlərinə ayıra bilərsiniz. Modelinizi öyrətmə dəstində öyrədəcəksiniz. Həmişə olduğu kimi modelin öyrədilməsini bitirdikdən sonra siz test setindən istifadə edərək onun düzgünlüyünü qiymətləndirəcəksiniz. Modelin gələcək zaman dilimlərindən məlumat əldə etməməsini təmin etmək üçün test setinin öyrətmə setindən sonrakı dövrü əhatə etdiyinə əmin olmalısınız. 1. Öyrətmə setinə 2014-cü il sentyabrın 1-dən oktyabrın 31-dək iki aylıq müddət ayırın. Data setinə 2014-cü il noyabrın 1-dən dekabrın 31-dək olan iki aylıq dövr daxildir: @@ -107,15 +107,15 @@ Bu dərsin [_/working_](https://github.com/microsoft/ML-For-Beginners/tree/main/ ![öyrətmə və test dataları](../images/train-test.png) - Buna görə də, öyrətmə dataları üçün nisbətən kiçik bir zaman pəncərəsindən istifadə etmək bizə kifayət edəcək. + Buna görə də öyrətmə dataları üçün nisbətən kiçik bir zaman pəncərəsindən istifadə etmək bizə kifayət edəcək. - > Qeyd: ARIMA modelinə uyğunlaşdırmaq üçün istifadə etdiyimiz funksiya, uyğunlaşdırma zamanı nümunədaxili yoxlamadan istifadə etdiyi üçün, təsdiqləmə məlumatlarını ortadan qaldıracağıq. + > Qeyd: ARIMA modelinə uyğunlaşdırmaq üçün istifadə etdiyimiz funksiya uyğunlaşdırma zamanı nümunədaxili yoxlamadan istifadə etdiyi üçün təsdiqləmə məlumatlarını ortadan qaldıracağıq. ### Dataları öyrədilmək üçün hazırlayın -İndi siz datalarınızı filterləyərək və miqyasını dəyişdirərək onları öyrədilmək üçün hazırlamalısınız. Yalnız sizə lazım olan vaxt dövrləri və sütunları daxil etmək üçün data dəstinizi filterləyin və məlumatların 0,1 intervalında proqnozlaşdırılmasını təmin etmək üçün miqyaslayın. +İndi siz datalarınızı filterləyərək və miqyasını dəyişdirərək onları öyrədilmək üçün hazırlamalısınız. Yalnız sizə lazım olan vaxt dövrləri və sütunları daxil etmək üçün data dəstinizi filtrləyin və məlumatların 0,1 intervalında proqnozlaşdırılmasını təmin etmək üçün miqyaslayın. -1. Data setini hər birində yalnız yuxarıda qeyd olunan vaxt dövrlərini və yalnız lazım olan "yük" sütununu özündə saxlayacaq şəkildə filterləyin: +1. Dataseti hər birində yalnız yuxarıda qeyd olunan vaxt dövrlərini və yalnız lazım olan "yük" sütununu özündə saxlayacaq şəkildə filtrləyin: ```python train = energy.copy()[(energy.index >= train_start_dt) & (energy.index < test_start_dt)][['load']] @@ -156,7 +156,7 @@ Bu dərsin [_/working_](https://github.com/microsoft/ML-For-Beginners/tree/main/ > Miqyaslanmış data -1. Artıq miqyaslanmış datanı kalibrasiya etdiyimiz üçün, test dalarını miqyaslaya bilərik: +1. Artıq miqyaslanmış datanı kalibrasiya etdiyimiz üçün test dalarını miqyaslaya bilərik: ```python test['load'] = scaler.transform(test) @@ -165,7 +165,7 @@ Bu dərsin [_/working_](https://github.com/microsoft/ML-For-Beginners/tree/main/ ### ARIMA-ın icrası -ARIMA-nı icra etməyin vaxtı gəldi çatdı! İndi siz bir az əvvəl yüklədiyiniz `statsmodels` kitabxanasından istifadə edəcəksiniz. +ARIMA-nı icra etməyin vaxtı gəlib çatdı! İndi siz bir az əvvəl yüklədiyiniz `statsmodels` kitabxanasından istifadə edəcəksiniz. İzləməli olduğumuz bir neçə addım var @@ -179,9 +179,9 @@ ARIMA-nı icra etməyin vaxtı gəldi çatdı! İndi siz bir az əvvəl yükləd `d`: zaman seriyasına tətbiq etmək üçün *fərqlənmənin* (🎓fərqlənməni xatırlayırsınız 👆?) miqdarına təsir edən modelin inteqrasiya olunmuş hissəsi ilə əlaqəli parametr. `q`: modelin orta hərəkətli hissəsi ilə əlaqəli parametr. -> Qeyd: Əgər məlumatınızın mövsümi aspekti varsa - indi istifadə etdiyimiz mövsümi ARIMA modeli(SARIMA) bunu edir. Bu halda siz başqa parametrlər dəstindən istifadə etməlisiniz: `p`, `d` və `q` ilə eyni assosiasiyaları təsvir edən, lakin modelin mövsümi komponentlərə uyğun gələn `P`, `D` və `Q` dəsti. +> Qeyd: Əgər məlumatınızın mövsümi aspekti varsa - indi istifadə etdiyimiz mövsümi ARIMA modeli(SARIMA) bunu edir. Bu halda siz başqa parametrlər dəstindən istifadə etməlisiniz: `p`, `d` və `q` ilə eyni assosiasiyaları təsvir edən, lakin modelin mövsümi komponentlərə uyğun gələn `P`, `D` və `Q` dəsti. -1. Üstün bildiyiniz üfüq dəyərini təyin etməklə başlayın. Gəlin 3 saatı üfüq dəyəri olaraq yoxlayaq: +1. Üstün bildiyiniz üfüq dəyərini təyin etməklə başlayın. Gəlin saat 3-ü üfüq dəyəri olaraq yoxlayaq: ```python # Specify the number of steps to forecast ahead @@ -209,11 +209,11 @@ ARIMA-nı icra etməyin vaxtı gəldi çatdı! İndi siz bir az əvvəl yükləd ### Modelinizi qiymətləndirin -Modelinizi qiymətləndirmək üçün siz `irəli gəzinti` deyilən yoxlamanı həyata keçirə bilərsiniz. Praktikada, zaman seriyası modelləri, hər təzə məlumat əldə edildikdə, yenidən öyrədilir. Bu, modelə hər zaman addımında ən yaxşı proqnozu verməyə imkan verir. +Modelinizi qiymətləndirmək üçün siz `irəli gəzinti` deyilən yoxlamanı həyata keçirə bilərsiniz. Praktikada zaman seriyası modelləri hər təzə məlumat əldə edildikdə yenidən öyrədilir. Bu, modelə hər zaman addımında ən yaxşı proqnozu verməyə imkan verir. -Həmin texnikadan istifadə edərək zaman seriyasının əvvəlindən başlayaraq, öyrətmə data setində modeli öyrədin. Sonra növbəti addım üçün proqnoz verin. Proqnoz bilinən dəyərlə qiymətləndirilir. Daha sonra öyrətmə seti məlum dəyəri daxil etmək üçün genişləndirilir və proses təkrarlanır. +Həmin texnikadan istifadə edərək zaman seriyasının əvvəlindən başlayaraq öyrətmə datasetində modeli öyrədin. Sonra növbəti addım üçün proqnoz verin. Proqnoz bilinən dəyərlə qiymətləndirilir. Daha sonra öyrətmə seti məlum dəyəri daxil etmək üçün genişləndirilir və proses təkrarlanır. -> Qeyd: Daha səmərəli öyrədilmə üçün siz öyrətmə setinin pəncərə ölçüsünü sabit saxlamalısınız ki, hər dəfə təlim dəstinə yeni müşahidə əlavə etdikdə, müşahidəni setin əvvəlindən siləsiniz. +> Qeyd: Daha səmərəli öyrədilmə üçün siz öyrətmə setinin pəncərə ölçüsünü sabit saxlamalısınız ki, hər dəfə təlim setinə yeni müşahidə əlavə etdikdə müşahidəni setin əvvəlindən siləsiniz. Bu proses modelin praktikada necə işləyəcəyinə dair daha etibarlı təxmin verir. Bununla belə, bu qədər model yaratmağın hesablama xərcləri də var. Data kiçikdirsə və ya model sadədirsə, bu məqbuldur, lakin daha böyük miqyaslarda bu problemə səbəb ola bilər. @@ -241,7 +241,7 @@ Bu proses modelin praktikada necə işləyəcəyinə dair daha etibarlı təxmin Məlumatlar üfüq nöqtəsinə uyğun olaraq üfüqi olaraq sürüşdürülür. -1. Test datasının uzunluğunun döngü ölçüsündə, sürüşən pəncərə yanaşmasından istifadə edərək test datalarınızla bağlı proqnozlar verin: +1. Test datasının uzunluğunun döngü ölçüsündə sürüşən pəncərə yanaşmasından istifadə edərək test datalarınızla bağlı proqnozlar verin: ```python %%time @@ -315,7 +315,7 @@ Bütün proqnozlar üzərində ortalama mütləq faiz xətasını (MAPE) tapmaql > > ![MAPE](../images/mape.png) > -> [MAPE](https://www.linkedin.com/pulse/what-mape-mad-msd-time-series-allameh-statistics/) yuxarıdakı düsturla tapılmış proqnoz dəqiqliyini nisbət formasında göstərmək üçün istifadə olunur. Faktikit ilə proqnozlaşdırılant arasındakı fərq faktikit-ə bölünür. "Bu hesablamada mütləq dəyər hər bir proqnozlaşdırılan vaxt üçün cəmlənir və uyğunlaşdırılmış n nöqtələrinin sayına bölünür." [wikipedia](https://wikipedia.org/wiki/Mean_absolute_percentage_error) +> [MAPE](https://www.linkedin.com/pulse/what-mape-mad-msd-time-series-allameh-statistics/) yuxarıdakı düsturla tapılmış proqnoz dəqiqliyini nisbət formasında göstərmək üçün istifadə olunur. Actualt(cari) ilə predictedt(proqnozlaşdırılan) arasındakı fərq actualt-ə bölünür. "Bu hesablamada mütləq dəyər hər bir proqnozlaşdırılan vaxt üçün cəmlənir və uyğunlaşdırılmış n nöqtələrinin sayına bölünür." [wikipedia](https://wikipedia.org/wiki/Mean_absolute_percentage_error) 1. Tənliyi kodla ifadə edək: @@ -381,13 +381,13 @@ Bütün proqnozlar üzərində ortalama mütləq faiz xətasını (MAPE) tapmaql ## 🚀 Məşğələ -Zaman Seriyası Modelinin düzgünlüyünü yoxlamaq yollarını araşdırın. Bu dərsdə MAPE-ə toxunacağıq, amma istifadə edə biləcəyiniz başqa üsullar varmı? Onları araşdırın və şərh edin. Yardımçı sənədi [burada] tapa bilərsiniz(https://otexts.com/fpp2/accuracy.html) +Zaman Seriyası Modelinin düzgünlüyünü yoxlamaq yollarını araşdırın. Bu dərsdə MAPE-ə toxunduq, amma istifadə edə biləcəyiniz başqa üsullar varmı? Onları araşdırın və şərh edin. Yardımçı sənədi [burada](https://otexts.com/fpp2/accuracy.html) tapa bilərsiniz. -## [Mühazirə sonrası test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/44/) +## [Mühazirə sonrası test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/44/?loc=az) ## Təkrarlayın və özünüz öyrənin -Bu dərs yalnız ARIMA ilə Zaman Seriyasının Proqnozlaşdırılmasının əsaslarına toxunur. Time Series modellərini qurmağın digər yollarını öyrənmək və bilikləriniz dərinləşdirmək üçün [bu reponu](https://microsoft.github.io/forecasting/) və onun müxtəlif model növlərini araşdırmağa vaxtınızı ayırın. +Bu dərs yalnız ARIMA ilə Zaman Seriyasının Proqnozlaşdırılmasının əsaslarına toxunur. Zaman seriyaları modellərini qurmağın digər yollarını öyrənmək və bilikləriniz dərinləşdirmək üçün [bu reponu](https://microsoft.github.io/forecasting/) və onun müxtəlif model növlərini araşdırmağa vaxtınızı ayırın. ## Tapşırıq diff --git a/7-TimeSeries/2-ARIMA/translations/assignment.az.md b/7-TimeSeries/2-ARIMA/translations/assignment.az.md index 72d6f316a..14d476b20 100644 --- a/7-TimeSeries/2-ARIMA/translations/assignment.az.md +++ b/7-TimeSeries/2-ARIMA/translations/assignment.az.md @@ -2,10 +2,10 @@ ## Təlimatlar -Artıq ARIMA modelini qurduğunuza görə, yeni data ilə modelin yenisini yaradın.([Duke-un datasetlərindən](http://www2.stat.duke.edu/~mw/ts_data_sets.html) birini sınayın). Dəftərçədəki işinizə şərhlər əlavə edin, məlumatları və modelinizi vizuallaşdırın və MAPE-dən istifadə edərək onun düzgünlüyünü yoxlayın. +Artıq ARIMA modelini qurduğunuza görə yeni data ilə modelin yenisini yaradın.([Duke-un datasetlərindən](http://www2.stat.duke.edu/~mw/ts_data_sets.html) birini sınayın). Notbukdakı işinizə şərhlər əlavə edin, məlumatları və modelinizi vizuallaşdırın və MAPE-dən istifadə edərək onun düzgünlüyünü yoxlayın. ## Rubrika | Meyarlar | Nümunəvi | Adekvat | İnkişaf Etdirilməli Olan | -| -------- | ------------------------------------------------------- | ------------------------------------------------- | -------------------------------- | -| | Dəftərçə qurulmuş, sınaqdan keçirilmiş və vizuallaşdırma və dəqiqliyi göstərilməklə izah edilmiş yeni ARIMA modeli ilə təqdim edilib. | Təqdim olunan dəftərçədə şərhlər yoxdur və ya problemlər mövcuddur. | Yarımçıq dəftərçə təqdim edilib. | \ No newline at end of file +| -------- | -------- | ------- | ------------------------ | +| | Notbuk qurulmuş, sınaqdan keçirilmiş, vizuallaşdırma və dəqiqliyi göstərilməklə izah edilmiş yeni ARIMA modeli ilə təqdim edilib. | Təqdim olunan notbukda şərhlər yoxdur və ya problemlər mövcuddur. | Yarımçıq notbuk təqdim edilib. | \ No newline at end of file diff --git a/7-TimeSeries/3-SVR/translations/README.az.md b/7-TimeSeries/3-SVR/translations/README.az.md index 05d548cb3..e0a43f916 100644 --- a/7-TimeSeries/3-SVR/translations/README.az.md +++ b/7-TimeSeries/3-SVR/translations/README.az.md @@ -1,8 +1,8 @@ # Dəstək vektor reqressoru ilə zaman seriyalarının proqnozlaşdırılması -Əvvəlki dərsdə ARIMA modeli istifadə etməklə necə zaman seriyalarını proqnozlaşdıra biləcəyini öyrəndin. İndi isə Dəstək vektor reqressor modeli ilə davalı datanın gələcəyini təxmin etməyə baxacaqsan. +Əvvəlki dərsdə ARIMA modeli istifadə etməklə necə zaman seriyalarını proqnozlaşdıra biləcəyini öyrəndin. İndi isə Dəstək vektor reqressor modeli ilə davamlı datanın gələcəyini təxmin etməyə baxacaqsan. -## [Mühazirədən əvvəl test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/51/) +## [Mühazirədən əvvəl test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/51/?loc=az) ## Giriş @@ -14,13 +14,13 @@ SVR-ın zaman seriyaları proqnozlarında vacibliyini başa düşməzdən əvvə - **Reqressiya:** Verilmiş dəyərlər toplusundan davamlı dəyərlərin proqnozlaşdırılması üçün nəzarətli öyrənmə texnikasıdır. Burda əsas məqsəd maksimum sayda data nöqtələrinin uyğunluq əyrisinə (və ya xəttinə) yaxın olmasıdır. Daha ətraflı məlumat üçün [bura klikləyin](https://en.wikipedia.org/wiki/Regression_analysis). -- **Dəstək Vektor Maşını (SVM):** Bu qruplaşdırma, reqressiya və uyğunsuzluqların təyin olunması üçün istifadə olunan nəzarətli maşın öyrənmə modellərindən biridir. Bu model funksiya fəzasında hiperplandır, hansı ki, qruplaşdırma tətbiqində sərhəd kimi və reqressiyada isə ən uyğun xətt kimi rol oynayır. SVM-də Kernel funksiyası əsasən dataseti çöx ölçülü fəzaya çevirmək üçün istifadə olunur, beləliklə onları bölmək daha asan olur. SVM-lər baərdə daha ətralı məlumat üçün bura [bura klikləyin](https://en.wikipedia.org/wiki/Support-vector_machine). +- **Dəstək Vektor Maşını (SVM):** Bu qruplaşdırma, reqressiya və uyğunsuzluqların təyin olunması üçün istifadə olunan nəzarətli maşın öyrənmə modellərindən biridir. Bu model funksiya fəzasında hiperplandır, hansı ki, qruplaşdırma tətbiqində sərhəd kimi? reqressiyada isə ən uyğun xətt kimi rol oynayır. SVM-də Kernel funksiyası əsasən dataseti çox ölçülü fəzaya çevirmək üçün istifadə olunur, beləliklə onları bölmək daha asan olur. SVM-lər barədə daha ətralı məlumat üçün bura [bura klikləyin](https://en.wikipedia.org/wiki/Support-vector_machine). - **Dəstək Vektor Reqressoru (SVR):** Maksimum sayda data nöqtəsinin ən uyğun gələn xətti (SVM halında hiperplan) tapmaq üçün istifadə olunan SVM tiplərindən biridir. ### Nə üçün SVR? [^1] -Son dərsdə zaman seriya datalarının proqnozlaşdırılması üçün tətbiq olunan uğurlu statistik xətti üsul ARIMA barədə öyrəndin. Lakin, bir çox hallarda zaman seriya dataları *qeyri-xətti* olurlar və onları xətti modellərlə uyğunlaşdırmaq olmur Bu hallarda SVM-in qeyri-xətti dataların reqressiya tapşırıqlarda bacarıqlarını nəzərə alaraq SVR-ı zaman seriyası proqnozlaşdırılmasında da uğurla istifadə etmək olar. +Son dərsdə zaman seriya datalarının proqnozlaşdırılması üçün tətbiq olunan uğurlu statistik xətti üsul ARIMA barədə öyrəndin. Lakin bir çox hallarda zaman seriya dataları *qeyri-xətti* olurlar və onları xətti modellərlə uyğunlaşdırmaq olmur Bu hallarda SVM-in qeyri-xətti dataların reqressiya tapşırıqlarda bacarıqlarını nəzərə alaraq SVR-i zaman seriyası proqnozlaşdırılmasında da uğurla istifadə etmək olar. ## Tapşırıq - SVR modeli qur @@ -49,7 +49,7 @@ Bu dərsin [_/working_](https://github.com/microsoft/ML-For-Beginners/tree/main/ from common.utils import load_data, mape ``` -2. `/data/energy.csv` faylından dataları Pandas datablokuna yığın və nəticəyə baxın: [^2] +2. `/data/energy.csv` faylından dataları Pandas datafreyminə yığın və nəticəyə baxın: [^2] ```python energy = load_data('../../data')[['load']] @@ -64,15 +64,15 @@ Bu dərsin [_/working_](https://github.com/microsoft/ML-For-Beginners/tree/main/ plt.show() ``` - ![full data](../images/full-data.png) + ![bütün data](../images/full-data.png) İndi isə SVR modelini quraq. ### Öyrətmə və test datasetlərini yaradın -İndi data yüklənib və sən onu öyrətmə və test qruplarına ayıra bilərsən. Sonra sənin datanı SVR üçün lazım olan zaman attımları ilə ayrılmış datasetə çevirməyin lazım olacaq. Modelini öyrətmə seti ilə öyrədəcəksən. Model öyrənməsi bitdikdən sonra onun dəqiqliyini əvvəlcə öyrənmə və test seti ilə, sonra isə bütün dataset ilə yoxlayıb ümumi performansını ölçəcəksən. Sən əmin olmalısan ki, test setin öyrənmə setinin əhatə etdiyi zaman periodundan gələcəyi də əhatə edir və modelin gələcək zamandan informasiya almır [^2] (bu vəziyyətə *Overfitting* deyilir). +İndi data yüklənib və sən onu öyrətmə və test setlərinə ayıra bilərsən. Sonra sənin datanı SVR üçün lazım olan zaman addımları ilə ayrılmış datasetə çevirməyin lazım olacaq. Modelini öyrətmə seti ilə öyrədəcəksən. Model öyrənməsi bitdikdən sonra onun dəqiqliyini əvvəlcə öyrənmə və test seti ilə, sonra isə bütün dataset ilə yoxlayıb ümumi performansını ölçəcəksən. Sən əmin olmalısan ki, test setin öyrənmə setin əhatə etdiyi zaman periodundan sonrakı gələcəyi də əhatə edir və modelin gələcək zamandan informasiya almır [^2] (bu vəziyyətə *Overfitting* deyilir). -1. 2014-cü il sentabrın 1-dən oktyabrın 31-ə kimi 2 aylıq periodu öyrənmə seti kimi ayır. Test setin isə növbəti iki ayı, noyabrın 1-dən dekabrın 31-ə kimi olan dataları əhatə edəcək: [^2] +1. 2014-cü il sentabrın 1-dən oktyabrın 31-ə kimi 2 aylıq periodu öyrənmə seti kimi ayır. Test seti isə növbəti iki ayı, noyabrın 1-dən dekabrın 31-ə kimi olan dataları əhatə edəcək: [^2] ```python train_start_dt = '2014-11-01 00:00:00' @@ -90,15 +90,13 @@ Bu dərsin [_/working_](https://github.com/microsoft/ML-For-Beginners/tree/main/ plt.show() ``` - ![training and testing data](../images/train-test.png) - - + ![öyrətmə and test setləri](../images/train-test.png) ### Öyrətmə üçün data hazırla -İnsi sənin datanı filtrasiya və miqyasını dəyişmə əməliyyatları tətbiq etməklə öyrətmə üçün data hazırlamağın lazımdır. Dataseti filtrasiya edərək yalnız lazım olan zaman periodları və sütunlarını saxla və datanın 0 ilə 1 arasında yerləşdiyinə əmin olacaq şəkildə miqyasını dəyiş. +İndi sənin datanı filtrasiya və miqyasını dəyişmə əməliyyatları tətbiq etməklə öyrətmə üçün hazırlamağın lazımdır. Dataseti filtrasiya edərək yalnız lazım olan zaman periodları və sütunlarını saxla və datanın 0 ilə 1 arasında yerləşdiyinə əmin olacaq şəkildə miqyasını dəyiş. -1. Verilan dataseti əvvəl nəzərdə tutulan zaman periodlarına əsasən filtr et və lazım olan 'load' və tarix sütunlarını saxla: [^2] +1. Verilən dataseti əvvəl nəzərdə tutulan zaman periodlarına əsasən filtr et və lazım olan 'load' və tarix sütunlarını saxla: [^2] ```python train = energy.copy()[(energy.index >= train_start_dt) & (energy.index < test_start_dt)][['load']] @@ -120,7 +118,7 @@ Bu dərsin [_/working_](https://github.com/microsoft/ML-For-Beginners/tree/main/ train['load'] = scaler.fit_transform(train) ``` -4. İndi isə test datasetini miqyasını dəyiş: [^2] +4. İndi isə test datasetinin miqyasını dəyiş: [^2] ```python test['load'] = scaler.transform(test) @@ -220,7 +218,7 @@ Sən SVR modeli yaratdın! Bizə onun dəqiqliyini ölçmək lazımdır. ### Modelin dəqiqliyini ölç [^1] -Yoxlama üçün biz birinci olaraq datanı əvvəlki miqyasına geri qaytarmalıyıq. SOnra performansı yoxlamaq üçün biz əsl və proqnozlaşdırılan zaman seriyalarının qrafikini çəkəcəyik və MAPE nəticələrini konsola yazacağıq. +Yoxlama üçün biz birinci olaraq datanı əvvəlki miqyasına geri qaytarmalıyıq. Sonra, performansı yoxlamaq üçün biz əsl və proqnozlaşdırılan zaman seriyalarının qrafikini çəkəcəyik və MAPE nəticələrini konsola yazacağıq. Proqnozlaşdırılmış və orijinal datanın miqyasını dəyiş: @@ -240,9 +238,9 @@ y_test = scaler.inverse_transform(y_test) print(len(y_train), len(y_test)) ``` -#### Modelin performansını öyrətmə və yoxlama datası ilə yoxla [^1] +#### Modelin performansını öyrətmə və test datası ilə yoxla [^1] -Biz datasetdən zaman məlumatlarını qrafikin x xəttində göstərmək üçün götürmüşük. Nəzərə al ki biz birinci ``timesteps-1`` dəyərlərini birinci çıxış dəyərlərini hesablamağa giriş kimi istifadə etmişik, yəni bundan sonrakı zaman dəyərləri əsas çıxış dəyərləri üçün istifadə olunacaq. +Biz datasetdən zaman məlumatlarını qrafikin x xəttində göstərmək üçün götürmüşük. Nəzərə al ki, biz birinci `timesteps-1` dəyərlərini birinci çıxış dəyərlərini hesablamağa giriş kimi istifadə etmişik, yəni bundan sonrakı zaman dəyərləri əsas çıxış dəyərləri üçün istifadə olunacaq. ```python train_timestamps = energy[(energy.index < test_start_dt) & (energy.index >= train_start_dt)].index[timesteps-1:] @@ -357,18 +355,17 @@ MAPE: 2.0572089029888656 % ``` - -🏆 Çox gözəl qrafiklər modelin yaxşı dəqiqlikdə olduğunu göstərir. Əla! +🏆 Bu gözəl qrafiklər modelin yaxşı dəqiqlikdə olduğunu göstərir. Əla! --- ## 🚀 Məşğələ -- Model yaradarkən və data üzərində yoxlayarkən hiperparameterləri (gamma, C, epsilon) dəyişməyi yoxla və hansı dəyərlər çoxluğunun yoxlama datası ilə daha yaxşı nəticə əldə etdiyini görəsən. Bu hiperparametrlər barədə daha çox öyrənmək üçün [bu sənədə](https://scikit-learn.org/stable/modules/svm.html#parameters-of-the-rbf-kernel) baxa bilərsən. -- Model üçün fərqli kernel funksiyaları yoxla və onların dataset üzərində performanslarını analiz et. [Bu sənəd]((https://scikit-learn.org/stable/modules/svm.html#kernel-functions)) çox faydalı ola bilər. +- Model yaradarkən və data üzərində yoxlayarkən hiperparameterləri (gamma, C, epsilon) dəyişməyi yoxla və hansı dəyərlər çoxluğunun yoxlama datası ilə daha yaxşı nəticə əldə etdiyini gör. Bu hiperparametrlər barədə daha çox öyrənmək üçün [bu sənədə](https://scikit-learn.org/stable/modules/svm.html#parameters-of-the-rbf-kernel) baxa bilərsən. +- Model üçün fərqli kernel funksiyalarını yoxla və onların dataset üzərində performanslarını analiz et. [Bu sənəd]((https://scikit-learn.org/stable/modules/svm.html#kernel-functions)) çox faydalı ola bilər. - `timesteps` üçün fərqli dəyərlər yoxla və modelin proqnozlarına diqqət et. -## [Mühazirə sonrası test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/52/) +## [Mühazirə sonrası test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/52/?loc=az) ## Təkrarlayın və özünüz öyrənin @@ -378,9 +375,7 @@ Bu dərs zaman seriyalarında proqnozlaşdırma üçün SVR modelinin tətbiqin [Yeni SVR modeli](assignment.az.md) - ## İstinadlar - [^1]: Bu bölmənin mətni, kodu və nəticələri[@AnirbanMukherjeeXD](https://github.com/AnirbanMukherjeeXD) tərəfindən töhfə verilib [^2]: Bu bölmənin mətni, kodu və nəticələri [ARIMA](https://github.com/microsoft/ML-For-Beginners/tree/main/7-TimeSeries/2-ARIMA)-dan götürülüb \ No newline at end of file diff --git a/7-TimeSeries/3-SVR/translations/assignment.az.md b/7-TimeSeries/3-SVR/translations/assignment.az.md index 3aa92b9cb..701334d11 100644 --- a/7-TimeSeries/3-SVR/translations/assignment.az.md +++ b/7-TimeSeries/3-SVR/translations/assignment.az.md @@ -4,13 +4,11 @@ Sən yeni data ([Duke tərəfindən təqdim olunmuş datasetlərdən](http://www2.stat.duke.edu/~mw/ts_data_sets.html) birini yoxla) ilə SVR modeli qurmalısan. Öz işini notbukda lazımi qeydlərlə işarələ, datanın və modelinin qrafiklərini çək və onun dəqiqliyini müvafiq qrafik və MAPE dəyəri ilə yoxla. Həmçinin fərqli hiperparametrlər və zaman aralıqları istifadə edərək də modelini yoxla. -Also try tweaking the different hyperparameters and also using different values for the timesteps. - ## Rubrika [^1] | Meyarlar | Nümunəvi | Adekvat | İnkişaf Etdirilməli Olan | -| -------- | ------------------------------------------------------- | ------------------------------------------------- | -------------------------------- | -| | Notbuk təqdim olunub, SVR modeli qurulub, qrafiki üsulla yoxlanılıb və izah olunub və dəqiqlik qeyd olunub. | Notbuk təqdim olunub lakin bəzi xətaları var. | Natamam notbuk təqdim olunub. | +| -------- | -------- | ------- | ------------------------ | +| | Notbuk təqdim olunub, SVR modeli qurulub, qrafiki üsulla yoxlanılıb, izah və dəqiqlik qeyd olunub. | Notbuk təqdim olunub lakin bəzi xətala var. | Natamam notbuk təqdim olunub. | [^1]: Bu bölmədəki mətn [ARIMA-dan tapşırığa](https://github.com/microsoft/ML-For-Beginners/tree/main/7-TimeSeries/2-ARIMA/assignment.md) əsasən yaradılıb. diff --git a/7-TimeSeries/translations/README.az.md b/7-TimeSeries/translations/README.az.md index a81fdc7d3..7aaaae407 100644 --- a/7-TimeSeries/translations/README.az.md +++ b/7-TimeSeries/translations/README.az.md @@ -1,4 +1,4 @@ -# Zaman Seriyalarının proqnozlaşdırılmasına giriş +# Zaman seriyalarının proqnozlaşdırılmasına giriş Zaman seriyalarının proqnozlaşdırılması nədir? Burada keçmiş trendləri təhlil edərək gələcək hadisələrin proqnozlaşdırılması nəzərdə tutulur. @@ -6,7 +6,7 @@ Zaman seriyalarının proqnozlaşdırılması nədir? Burada keçmiş trendləri Bu iki dərsdə siz, digər sahələr arasında sənaye və biznes tətbiqləri üçün son dərəcə dəyərli olan, maşın öyrənməsinin bir qədər az tanınan sahəsi sayılan zaman sıralarının proqnozlaşdırılması ilə tanış olacaqsınız. Bu modellərin faydalılığını artırmaq üçün neyron şəbəkələrdən istifadə oluna bilsə də, biz onları klassik maşın öyrənməsi kontekstində araşdıracağıq. Çünki modellər keçmişə əsaslanaraq gələcək performansı proqnozlaşdırmağa kömək edir. -Bizim regional diqqətimiz dünya elektrik istifadəsi ilə bağlı olan Keçmiş istifadə yükü əsasında gələcək enerji istifadəsini proqnozlaşdırmaq üçün maraqlı məlumat toplusuna yönəlb. Bu tip proqnozların biznes mühitində nə qədər faydalı ola biləcəyini görə bilərsiniz. +Bizim regional diqqətimiz dünya elektrik istifadəsi ilə bağlı olan keçmiş istifadə yükü əsasında gələcək enerji istifadəsini proqnozlaşdırmaq üçün maraqlı məlumat toplusuna yönəlib. Bu tip proqnozların biznes mühitində nə qədər faydalı ola biləcəyini görə bilərsiniz. ![elektrik şəbəkəsi](../images/electric-grid.jpg) @@ -20,8 +20,8 @@ Bizim regional diqqətimiz dünya elektrik istifadəsi ilə bağlı olan Keçmi ## Təşəkkürlər -"Zaman seriyalarının proqnozlaşdırılmasına giriş" [Francesca Lazzeri](https://twitter.com/frlazzeri) və [Jen Looper](https://twitter.com/jenlooper) tərəfindən ⚡️ ilə yazılmışdır. +"Zaman seriyalarının proqnozlaşdırılmasına giriş" [Francesca Lazzeri](https://twitter.com/frlazzeri) və [Jen Looper](https://twitter.com/jenlooper) tərəfindən ⚡️ ilə yazılmışdır. -İlk dəfə [Azure "Deep Learning For Time Series" reposunda](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) yerləşdirilən dəftərçənin əsli Francesca Lazzeri tərəfindən yazılmışdır. +İlk dəfə [Azure "Deep Learning For Time Series" reposunda](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) yerləşdirilən dəftərçənin əsli Francesca Lazzeri tərəfindən yazılmışdır. SVR dərsi [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD) tərəfindən yazılmışdır. \ No newline at end of file