|
|
<!--
|
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
|
{
|
|
|
"original_hash": "61342603bad8acadbc6b2e4e3aab3f66",
|
|
|
"translation_date": "2025-09-04T23:44:32+00:00",
|
|
|
"source_file": "7-TimeSeries/README.md",
|
|
|
"language_code": "el"
|
|
|
}
|
|
|
-->
|
|
|
# Εισαγωγή στην πρόβλεψη χρονοσειρών
|
|
|
|
|
|
Τι είναι η πρόβλεψη χρονοσειρών; Πρόκειται για την πρόβλεψη μελλοντικών γεγονότων μέσω της ανάλυσης των τάσεων του παρελθόντος.
|
|
|
|
|
|
## Περιφερειακό θέμα: παγκόσμια χρήση ηλεκτρικής ενέργειας ✨
|
|
|
|
|
|
Σε αυτά τα δύο μαθήματα, θα εισαχθείτε στην πρόβλεψη χρονοσειρών, μια σχετικά λιγότερο γνωστή περιοχή της μηχανικής μάθησης που είναι ωστόσο εξαιρετικά πολύτιμη για βιομηχανικές και επιχειρηματικές εφαρμογές, μεταξύ άλλων πεδίων. Παρόλο που τα νευρωνικά δίκτυα μπορούν να χρησιμοποιηθούν για την ενίσχυση της χρησιμότητας αυτών των μοντέλων, θα τα μελετήσουμε στο πλαίσιο της κλασικής μηχανικής μάθησης, καθώς τα μοντέλα βοηθούν στην πρόβλεψη της μελλοντικής απόδοσης βάσει του παρελθόντος.
|
|
|
|
|
|
Η περιφερειακή μας εστίαση είναι η χρήση ηλεκτρικής ενέργειας στον κόσμο, ένα ενδιαφέρον σύνολο δεδομένων για να μάθετε πώς να προβλέπετε τη μελλοντική κατανάλωση ενέργειας βάσει των μοτίβων του παρελθόντος φορτίου. Μπορείτε να δείτε πώς αυτό το είδος πρόβλεψης μπορεί να είναι εξαιρετικά χρήσιμο σε ένα επιχειρηματικό περιβάλλον.
|
|
|
|
|
|
|
|
|
|
|
|
Φωτογραφία από [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) με ηλεκτρικούς πύργους σε έναν δρόμο στο Rajasthan στο [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
|
|
|
|
|
|
## Μαθήματα
|
|
|
|
|
|
1. [Εισαγωγή στην πρόβλεψη χρονοσειρών](1-Introduction/README.md)
|
|
|
2. [Δημιουργία μοντέλων χρονοσειρών ARIMA](2-ARIMA/README.md)
|
|
|
3. [Δημιουργία Support Vector Regressor για πρόβλεψη χρονοσειρών](3-SVR/README.md)
|
|
|
|
|
|
## Πιστώσεις
|
|
|
|
|
|
Η "Εισαγωγή στην πρόβλεψη χρονοσειρών" γράφτηκε με ⚡️ από [Francesca Lazzeri](https://twitter.com/frlazzeri) και [Jen Looper](https://twitter.com/jenlooper). Τα notebooks εμφανίστηκαν για πρώτη φορά online στο [Azure "Deep Learning For Time Series" repo](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) που αρχικά γράφτηκε από τη Francesca Lazzeri. Το μάθημα SVR γράφτηκε από τον [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD).
|
|
|
|
|
|
---
|
|
|
|
|
|
**Αποποίηση ευθύνης**:
|
|
|
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης [Co-op Translator](https://github.com/Azure/co-op-translator). Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή εσφαλμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης. |
