msb-public
/
ML-For-Beginners
mirror of https://github.com/microsoft/ML-For-Beginners.git
1
0
Code Issues Projects Releases Wiki Activity
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.
Branches Tags
${ item.name }
Create tag ${ searchTerm }
Create branch ${ searchTerm }
from 'main'
${ noResults }
ML-For-Beginners/translations/cs/7-TimeSeries
History
leestott e4050807fb
🌐 Update translations via Co-op Translator 		2 weeks ago
..
1-Introduction 🌐 Update translations via Co-op Translator 2 weeks ago
2-ARIMA 🌐 Update translations via Co-op Translator 2 weeks ago
3-SVR 🌐 Update translations via Co-op Translator 2 weeks ago
README.md 🌐 Update translations via Co-op Translator 2 weeks ago

README.md
Escape

Úvod do předpovídání časových řad

Co je předpovídání časových řad? Jde o předpovídání budoucích událostí na základě analýzy trendů z minulosti.

Regionální téma: celosvětová spotřeba elektřiny ✨

V těchto dvou lekcích budete uvedeni do předpovídání časových řad, což je méně známá oblast strojového učení, která je však nesmírně cenná pro průmyslové a obchodní aplikace, stejně jako pro další oblasti. Ačkoli neuronové sítě mohou zvýšit užitečnost těchto modelů, budeme je studovat v kontextu klasického strojového učení, protože modely pomáhají předpovídat budoucí výkon na základě minulosti.

Naším regionálním zaměřením je spotřeba elektřiny ve světě, což je zajímavý datový soubor, na kterém se naučíte předpovídat budoucí spotřebu energie na základě vzorců z minulého zatížení. Můžete vidět, jak může být tento typ předpovídání nesmírně užitečný v obchodním prostředí.

elektrická síť

Foto od Peddi Sai hrithik elektrických věží na silnici v Rádžasthánu na Unsplash

Lekce

  1. Úvod do předpovídání časových řad
  2. Vytváření modelů ARIMA pro časové řady
  3. Vytváření Support Vector Regressor pro předpovídání časových řad

Poděkování

"Úvod do předpovídání časových řad" byl napsán s ⚡️ Francesca Lazzeri a Jen Looper. Notebooky se poprvé objevily online v repozitáři Azure "Deep Learning For Time Series", který původně napsala Francesca Lazzeri. Lekci o SVR napsal Anirban Mukherjee.

Prohlášení:
Tento dokument byl přeložen pomocí služby pro automatický překlad Co-op Translator. I když se snažíme o přesnost, mějte na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro kritické informace se doporučuje profesionální lidský překlad. Nenese odpovědnost za žádné nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.