leestott
fb9362466b
|
10 months ago | |
|---|---|---|
| .. | ||
| 1-Introduction | 10 months ago | |
| 2-ARIMA | 10 months ago | |
| 3-SVR | 10 months ago | |
| README.md | 10 months ago | |
README.md
நேரம் வரிசை முன்னறிவிப்பு அறிமுகம்
நேரம் வரிசை முன்னறிவிப்பு என்றால் என்ன? இது கடந்த காலத்தின் போக்குகளை பகுப்பாய்வு செய்து எதிர்கால நிகழ்வுகளை கணிக்கப் பயன்படுகிறது.
பிராந்திய தலைப்பு: உலகளாவிய மின்சார பயன்பாடு ✨
இந்த இரண்டு பாடங்களில், நேரம் வரிசை முன்னறிவிப்பு என்ற குறைவாக அறியப்பட்ட, ஆனால் தொழில்துறை மற்றும் வணிக பயன்பாடுகள் உள்ளிட்ட பல துறைகளுக்கு மிகவும் மதிப்புமிக்க ஒரு இயந்திரக் கற்றல் பகுதியை அறிமுகப்படுத்துகிறோம். நரம்பு வலைகளை (neural networks) இந்த மாதிரிகளின் பயன்பாட்டை மேம்படுத்த பயன்படுத்தலாம், ஆனால் கடந்த காலத்தின் அடிப்படையில் எதிர்கால செயல்திறனை கணிக்க உதவும் மாதிரிகளை பாரம்பரிய இயந்திரக் கற்றல் (classical machine learning) சூழலில் நாம் ஆய்வு செய்வோம்.
நாம் கவனம் செலுத்தும் பிராந்தியப் பகுதி உலகின் மின்சார பயன்பாடு ஆகும், இது கடந்த கால சுமை (load) முறைமைகளின் அடிப்படையில் எதிர்கால மின்சார பயன்பாட்டை முன்னறிவிக்க கற்றுக்கொள்ள ஒரு சுவாரஸ்யமான தரவுத்தொகுப்பாகும். இந்த மாதிரியான முன்னறிவிப்பு வணிக சூழலில் மிகவும் பயனுள்ளதாக இருக்க முடியும் என்பதை நீங்கள் காணலாம்.
இந்தியாவின் ராஜஸ்தானில் சாலையில் மின்சார கோபுரங்களைப் பற்றிய Peddi Sai hrithik எடுத்த புகைப்படம் Unsplash மூலம்.
பாடங்கள்
- நேரம் வரிசை முன்னறிவிப்பு அறிமுகம்
- ARIMA நேரம் வரிசை மாதிரிகளை உருவாக்குதல்
- நேரம் வரிசை முன்னறிவிப்புக்கான ஆதரவு வெக்டார் ரிக்ரெசர் உருவாக்குதல்
க்ரெடிட்ஸ்
"நேரம் வரிசை முன்னறிவிப்பு அறிமுகம்" Francesca Lazzeri மற்றும் Jen Looper ஆகியோரால் ⚡️ எழுதப்பட்டது. இந்த நோட்புக்குகள் முதலில் Azure "Deep Learning For Time Series" repo இல் Francesca Lazzeri எழுதியதாக ஆன்லைனில் தோன்றின. SVR பாடம் Anirban Mukherjee எழுதியது.
குறிப்பு:
இந்த ஆவணம் Co-op Translator என்ற AI மொழிபெயர்ப்பு சேவையைப் பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சிக்கிறோம், ஆனால் தானியக்க மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறான தகவல்கள் இருக்கக்கூடும் என்பதை தயவுசெய்து கவனத்தில் கொள்ளுங்கள். அதன் தாய்மொழியில் உள்ள மூல ஆவணம் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்முறை மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்கள் அல்லது தவறான விளக்கங்களுக்கு நாங்கள் பொறுப்பல்ல.