ML-For-Beginners/translations/th/7-TimeSeries

การแนะนำการพยากรณ์อนุกรมเวลา

การพยากรณ์อนุกรมเวลาคืออะไร? มันคือการคาดการณ์เหตุการณ์ในอนาคตโดยการวิเคราะห์แนวโน้มในอดีต

หัวข้อภูมิภาค: การใช้ไฟฟ้าทั่วโลก ✨

ในสองบทเรียนนี้ คุณจะได้เรียนรู้เกี่ยวกับการพยากรณ์อนุกรมเวลา ซึ่งเป็นพื้นที่ที่ค่อนข้างไม่ค่อยมีคนรู้จักในด้านการเรียนรู้ของเครื่อง แต่มีคุณค่ามากสำหรับการใช้งานในอุตสาหกรรมและธุรกิจ รวมถึงสาขาอื่นๆ แม้ว่าเครือข่ายประสาทเทียมสามารถนำมาใช้เพื่อเพิ่มประสิทธิภาพของโมเดลเหล่านี้ได้ แต่เราจะศึกษาในบริบทของการเรียนรู้ของเครื่องแบบดั้งเดิม เนื่องจากโมเดลช่วยคาดการณ์ประสิทธิภาพในอนาคตโดยอ้างอิงจากข้อมูลในอดีต

หัวข้อภูมิภาคของเราคือการใช้ไฟฟ้าทั่วโลก ซึ่งเป็นชุดข้อมูลที่น่าสนใจสำหรับการเรียนรู้เกี่ยวกับการพยากรณ์การใช้พลังงานในอนาคตโดยอ้างอิงจากรูปแบบการใช้ในอดีต คุณจะเห็นว่าการพยากรณ์ประเภทนี้สามารถเป็นประโยชน์อย่างมากในสภาพแวดล้อมทางธุรกิจ

ภาพถ่ายโดย Peddi Sai hrithik ของเสาไฟฟ้าบนถนนในรัฐราชสถานบน Unsplash

บทเรียน

1. การแนะนำการพยากรณ์อนุกรมเวลา
2. การสร้างโมเดล ARIMA สำหรับอนุกรมเวลา
3. การสร้าง Support Vector Regressor สำหรับการพยากรณ์อนุกรมเวลา

เครดิต

"การแนะนำการพยากรณ์อนุกรมเวลา" เขียนด้วย ⚡️ โดย Francesca Lazzeri และ Jen Looper โน้ตบุ๊กปรากฏออนไลน์ครั้งแรกใน Azure "Deep Learning For Time Series" repo ซึ่งเขียนโดย Francesca Lazzeri บทเรียน SVR เขียนโดย Anirban Mukherjee

---

ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่แม่นยำ เอกสารต้นฉบับในภาษาต้นทางควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษาจากผู้เชี่ยวชาญ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดซึ่งเกิดจากการใช้การแปลนี้