# Introdução à previsão de séries temporais O que é previsão de séries temporais? Trata-se de prever eventos futuros analisando tendências do passado. ## Tema regional: consumo mundial de eletricidade ✨ Nestes dois módulos, será introduzido o conceito de previsão de séries temporais, uma área um pouco menos conhecida do machine learning, mas que é extremamente valiosa para aplicações na indústria e nos negócios, entre outros campos. Embora redes neurais possam ser usadas para aumentar a utilidade desses modelos, vamos estudá-los no contexto do machine learning clássico, já que esses modelos ajudam a prever o desempenho futuro com base no passado. O nosso foco regional é o consumo de eletricidade no mundo, um conjunto de dados interessante para aprender a prever o consumo futuro de energia com base nos padrões de carga do passado. É possível perceber como este tipo de previsão pode ser extremamente útil em ambientes empresariais.  Foto de [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) de torres elétricas numa estrada em Rajasthan no [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) ## Módulos 1. [Introdução à previsão de séries temporais](1-Introduction/README.md) 2. [Construção de modelos ARIMA para séries temporais](2-ARIMA/README.md) 3. [Construção de um Support Vector Regressor para previsão de séries temporais](3-SVR/README.md) ## Créditos "A introdução à previsão de séries temporais" foi escrita com ⚡️ por [Francesca Lazzeri](https://twitter.com/frlazzeri) e [Jen Looper](https://twitter.com/jenlooper). Os notebooks foram publicados pela primeira vez online no [repositório "Deep Learning For Time Series" da Azure](https://github.com/Azure/DeepLearningForTimeSeriesForecasting), originalmente escrito por Francesca Lazzeri. O módulo sobre SVR foi escrito por [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD). --- **Aviso Legal**: Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, é importante ter em conta que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autoritária. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes da utilização desta tradução.