# Введение в прогнозирование временных рядов Что такое прогнозирование временных рядов? Это процесс предсказания будущих событий на основе анализа прошлых тенденций. ## Региональная тема: мировое потребление электроэнергии ✨ В этих двух уроках вы познакомитесь с прогнозированием временных рядов — областью машинного обучения, которая хоть и менее известна, но чрезвычайно ценна для применения в промышленности, бизнесе и других сферах. Хотя нейронные сети могут быть использованы для повышения эффективности этих моделей, мы будем изучать их в контексте классического машинного обучения, где модели помогают предсказывать будущую производительность на основе данных прошлого. Наш региональный фокус — потребление электроэнергии в мире. Это интересный набор данных, который позволяет изучить прогнозирование будущего энергопотребления на основе прошлых нагрузок. Вы увидите, как такой вид прогнозирования может быть крайне полезным в бизнес-среде.  Фото [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) электрических вышек на дороге в Раджастане на [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) ## Уроки 1. [Введение в прогнозирование временных рядов](1-Introduction/README.md) 2. [Создание моделей временных рядов ARIMA](2-ARIMA/README.md) 3. [Создание модели Support Vector Regressor для прогнозирования временных рядов](3-SVR/README.md) ## Благодарности "Введение в прогнозирование временных рядов" было написано с ⚡️ [Франческой Лаццери](https://twitter.com/frlazzeri) и [Джен Лупер](https://twitter.com/jenlooper). Ноутбуки впервые появились онлайн в [репозитории Azure "Deep Learning For Time Series"](https://github.com/Azure/DeepLearningForTimeSeriesForecasting), изначально написанном Франческой Лаццери. Урок про SVR был написан [Анирбаном Мукерджи](https://github.com/AnirbanMukherjeeXD). --- **Отказ от ответственности**: Этот документ был переведен с помощью сервиса автоматического перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Хотя мы стремимся к точности, пожалуйста, учитывайте, что автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется профессиональный перевод человеком. Мы не несем ответственности за любые недоразумения или неправильные интерпретации, возникшие в результате использования данного перевода.