# 時間序列預測簡介 什麼是時間序列預測？它是通過分析過去的趨勢來預測未來事件。 ## 地區主題：全球電力使用 ✨ 在這兩節課中，你將學習時間序列預測，一個相對較少人熟悉但在工業和商業應用等領域非常有價值的機器學習領域。雖然神經網絡可以用來提升這些模型的效用，但我們將在經典機器學習的背景下研究它們，因為這些模型能夠根據過去的表現來預測未來。 我們的地區重點是全球的電力使用，這是一個有趣的數據集，可以用來學習如何根據過去的負載模式來預測未來的電力需求。你可以看到這種預測在商業環境中是多麼有幫助。  照片由 [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) 在拉賈斯坦邦的道路上拍攝的電塔，來自 [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) ## 課程 1. [時間序列預測簡介](1-Introduction/README.md) 2. [建立 ARIMA 時間序列模型](2-ARIMA/README.md) 3. [建立支持向量回歸器進行時間序列預測](3-SVR/README.md) ## 致謝 "時間序列預測簡介" 由 [Francesca Lazzeri](https://twitter.com/frlazzeri) 和 [Jen Looper](https://twitter.com/jenlooper) ⚡️ 撰寫。這些筆記本最初出現在 [Azure "Deep Learning For Time Series" repo](https://github.com/Azure/DeepLearningForTimeSeriesForecasting)，由 Francesca Lazzeri 原創撰寫。SVR 課程由 [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD) 撰寫。 --- **免責聲明**： 本文件已使用人工智能翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。儘管我們致力於提供準確的翻譯，請注意自動翻譯可能包含錯誤或不準確之處。原始語言的文件應被視為權威來源。對於重要資訊，建議使用專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解釋概不負責。