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/de/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 3 weeks ago

README.md
Escape

Einführung in die Zeitreihenprognose

Was ist Zeitreihenprognose? Es geht darum, zukünftige Ereignisse vorherzusagen, indem Trends aus der Vergangenheit analysiert werden.

Regionales Thema: weltweiter Stromverbrauch ✨

In diesen zwei Lektionen wirst du in die Zeitreihenprognose eingeführt, ein etwas weniger bekanntes Gebiet des maschinellen Lernens, das dennoch äußerst wertvoll für Industrie- und Geschäftsanwendungen sowie andere Bereiche ist. Obwohl neuronale Netzwerke verwendet werden können, um den Nutzen dieser Modelle zu steigern, werden wir sie im Kontext des klassischen maschinellen Lernens untersuchen, da Modelle helfen, die zukünftige Leistung basierend auf der Vergangenheit vorherzusagen.

Unser regionaler Fokus liegt auf dem weltweiten Stromverbrauch, einem interessanten Datensatz, um zu lernen, wie man den zukünftigen Energieverbrauch basierend auf Mustern der vergangenen Last vorhersagen kann. Du wirst sehen, wie diese Art der Prognose in einem geschäftlichen Umfeld äußerst hilfreich sein kann.

Stromnetz

Foto von Peddi Sai hrithik von Strommasten auf einer Straße in Rajasthan auf Unsplash

Lektionen

  1. Einführung in die Zeitreihenprognose
  2. ARIMA-Zeitreihenmodelle erstellen
  3. Support Vector Regressor für Zeitreihenprognosen erstellen

Credits

"Einführung in die Zeitreihenprognose" wurde mit ⚡️ geschrieben von Francesca Lazzeri und Jen Looper. Die Notebooks erschienen erstmals online im Azure "Deep Learning For Time Series"-Repo, ursprünglich geschrieben von Francesca Lazzeri. Die SVR-Lektion wurde von Anirban Mukherjee verfasst.

Haftungsausschluss:
Dieses Dokument wurde mit dem KI-Übersetzungsdienst Co-op Translator 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 maßgebliche Quelle betrachtet werden. Für kritische Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die sich aus der Nutzung dieser Übersetzung ergeben.