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.
37 lines
2.8 KiB
37 lines
2.8 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "61342603bad8acadbc6b2e4e3aab3f66",
|
|
"translation_date": "2025-09-04T23:44:24+00:00",
|
|
"source_file": "7-TimeSeries/README.md",
|
|
"language_code": "da"
|
|
}
|
|
-->
|
|
# Introduktion til tidsserieforudsigelse
|
|
|
|
Hvad er tidsserieforudsigelse? Det handler om at forudsige fremtidige begivenheder ved at analysere tidligere tendenser.
|
|
|
|
## Regionalt emne: globalt elforbrug ✨
|
|
|
|
I disse to lektioner vil du blive introduceret til tidsserieforudsigelse, et område inden for maskinlæring, der måske er mindre kendt, men som alligevel er ekstremt værdifuldt for industrielle og forretningsmæssige anvendelser, blandt andre områder. Selvom neurale netværk kan bruges til at forbedre nytten af disse modeller, vil vi studere dem i konteksten af klassisk maskinlæring, da modellerne hjælper med at forudsige fremtidig præstation baseret på fortiden.
|
|
|
|
Vores regionale fokus er elektrisk forbrug i verden, et interessant datasæt til at lære om forudsigelse af fremtidigt energiforbrug baseret på mønstre fra tidligere belastning. Du kan se, hvordan denne type forudsigelse kan være ekstremt nyttig i en forretningsmæssig sammenhæng.
|
|
|
|
|
|
|
|
Foto af [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) af elektriske tårne på en vej i Rajasthan på [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
|
|
|
|
## Lektioner
|
|
|
|
1. [Introduktion til tidsserieforudsigelse](1-Introduction/README.md)
|
|
2. [Opbygning af ARIMA-tidsseriemodeller](2-ARIMA/README.md)
|
|
3. [Opbygning af Support Vector Regressor til tidsserieforudsigelse](3-SVR/README.md)
|
|
|
|
## Kreditering
|
|
|
|
"Introduktion til tidsserieforudsigelse" blev skrevet med ⚡️ af [Francesca Lazzeri](https://twitter.com/frlazzeri) og [Jen Looper](https://twitter.com/jenlooper). Notebooks blev først offentliggjort online i [Azure "Deep Learning For Time Series"-repoet](https://github.com/Azure/DeepLearningForTimeSeriesForecasting), oprindeligt skrevet af Francesca Lazzeri. SVR-lektionen blev skrevet af [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD)
|
|
|
|
---
|
|
|
|
**Ansvarsfraskrivelse**:
|
|
Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten [Co-op Translator](https://github.com/Azure/co-op-translator). Selvom vi bestræber os på nøjagtighed, skal du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det originale dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi er ikke ansvarlige for eventuelle misforståelser eller fejltolkninger, der opstår som følge af brugen af denne oversættelse. |