# টাইম সিরিজ পূর্বাভাসের পরিচিতি টাইম সিরিজ পূর্বাভাস কী? এটি অতীতের প্রবণতা বিশ্লেষণ করে ভবিষ্যতের ঘটনা পূর্বাভাস দেওয়ার একটি পদ্ধতি। ## আঞ্চলিক বিষয়: বিশ্বব্যাপী বিদ্যুৎ ব্যবহার ✨ এই দুটি পাঠে, আপনাকে টাইম সিরিজ পূর্বাভাসের সাথে পরিচয় করানো হবে, যা মেশিন লার্নিংয়ের একটি তুলনামূলকভাবে কম পরিচিত ক্ষেত্র হলেও শিল্প এবং ব্যবসায়িক প্রয়োগসহ অন্যান্য ক্ষেত্রে অত্যন্ত মূল্যবান। যদিও নিউরাল নেটওয়ার্ক এই মডেলগুলোর কার্যকারিতা বাড়াতে ব্যবহার করা যেতে পারে, আমরা এগুলোকে ক্লাসিক্যাল মেশিন লার্নিংয়ের প্রেক্ষাপটে অধ্যয়ন করব, যেখানে মডেলগুলো অতীতের উপর ভিত্তি করে ভবিষ্যতের কর্মক্ষমতা পূর্বাভাস দিতে সাহায্য করে। আমাদের আঞ্চলিক ফোকাস হলো বিশ্বব্যাপী বিদ্যুৎ ব্যবহার, যা একটি আকর্ষণীয় ডেটাসেট যা অতীতের লোডের প্যাটার্নের উপর ভিত্তি করে ভবিষ্যতের বিদ্যুৎ ব্যবহারের পূর্বাভাস সম্পর্কে শেখার সুযোগ দেয়। আপনি দেখতে পাবেন যে এই ধরনের পূর্বাভাস ব্যবসায়িক পরিবেশে কতটা কার্যকর হতে পারে।  ছবি [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) কর্তৃক, রাজস্থানের একটি রাস্তায় বৈদ্যুতিক টাওয়ারের। [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) থেকে নেওয়া। ## পাঠসমূহ 1. [টাইম সিরিজ পূর্বাভাসের পরিচিতি](1-Introduction/README.md) 2. [ARIMA টাইম সিরিজ মডেল তৈরি করা](2-ARIMA/README.md) 3. [টাইম সিরিজ পূর্বাভাসের জন্য সাপোর্ট ভেক্টর রিগ্রেসর তৈরি করা](3-SVR/README.md) ## কৃতজ্ঞতা "টাইম সিরিজ পূর্বাভাসের পরিচিতি" ⚡️ দিয়ে লিখেছেন [Francesca Lazzeri](https://twitter.com/frlazzeri) এবং [Jen Looper](https://twitter.com/jenlooper)। নোটবুকগুলো প্রথমে অনলাইনে প্রকাশিত হয়েছিল [Azure "Deep Learning For Time Series" রিপোতে](https://github.com/Azure/DeepLearningForTimeSeriesForecasting), যা মূলত Francesca Lazzeri লিখেছিলেন। SVR পাঠটি লিখেছেন [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD)। --- **অস্বীকৃতি**: এই নথিটি AI অনুবাদ পরিষেবা [Co-op Translator](https://github.com/Azure/co-op-translator) ব্যবহার করে অনুবাদ করা হয়েছে। আমরা যথাসম্ভব সঠিক অনুবাদ প্রদানের চেষ্টা করি, তবে অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। মূল ভাষায় থাকা নথিটিকে প্রামাণিক উৎস হিসেবে বিবেচনা করা উচিত। গুরুত্বপূর্ণ তথ্যের জন্য, পেশাদার মানব অনুবাদ সুপারিশ করা হয়। এই অনুবাদ ব্যবহারের ফলে কোনো ভুল বোঝাবুঝি বা ভুল ব্যাখ্যা হলে আমরা তার জন্য দায়ী থাকব না।