You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
26 lines
2.7 KiB
26 lines
2.7 KiB
# Einführung in die Zeitreihenprognose
|
|
|
|
Was ist Zeitreihenprognose? Es geht darum, zukünftige Ereignisse durch die Analyse von Trends in der Vergangenheit vorherzusagen.
|
|
|
|
## Regionales Thema: weltweiter Stromverbrauch ✨
|
|
|
|
In diesen zwei Lektionen werden Sie in die Zeitreihenprognose eingeführt, ein etwas weniger bekanntes Gebiet des maschinellen Lernens, das jedoch äußerst wertvoll für Industrie- und Geschäftsanwendungen sowie andere Bereiche ist. Während neuronale Netzwerke verwendet werden können, um den Nutzen dieser Modelle zu verbessern, werden wir sie im Kontext des klassischen maschinellen Lernens studieren, da Modelle helfen, zukünftige Leistungen basierend auf der Vergangenheit vorherzusagen.
|
|
|
|
Unser regionaler Fokus liegt auf dem Stromverbrauch in der Welt, einem interessanten Datensatz, um zu lernen, wie man zukünftigen Stromverbrauch basierend auf Mustern der vergangenen Last prognostiziert. Sie können sehen, wie diese Art der Prognose in einem geschäftlichen Umfeld äußerst hilfreich sein kann.
|
|
|
|
|
|
|
|
Foto von [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) von elektrischen Türmen auf einer Straße in Rajasthan auf [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
|
|
|
|
## Lektionen
|
|
|
|
1. [Einführung in die Zeitreihenprognose](1-Introduction/README.md)
|
|
2. [Erstellung von ARIMA-Zeitreihenmodellen](2-ARIMA/README.md)
|
|
3. [Erstellung eines Support Vector Regressors für Zeitreihenprognosen](3-SVR/README.md)
|
|
|
|
## Danksagungen
|
|
|
|
"Einführung in die Zeitreihenprognose" wurde mit ⚡️ von [Francesca Lazzeri](https://twitter.com/frlazzeri) und [Jen Looper](https://twitter.com/jenlooper) verfasst. Die Notebooks erschienen erstmals online im [Azure "Deep Learning For Time Series" Repo](https://github.com/Azure/DeepLearningForTimeSeriesForecasting), das ursprünglich von Francesca Lazzeri geschrieben wurde. Die SVR-Lektion wurde von [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD) verfasst.
|
|
|
|
**Haftungsausschluss**:
|
|
Dieses Dokument wurde mit maschinellen KI-Übersetzungsdiensten übersetzt. Obwohl wir uns um Genauigkeit bemühen, beachten Sie bitte, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner ursprünglichen Sprache sollte als die maßgebliche Quelle betrachtet werden. Für wichtige Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die aus der Verwendung dieser Übersetzung entstehen. |