3.0 KiB
Introducción a la predicción de series temporales
¿Qué es la predicción de series temporales? Se trata de predecir eventos futuros analizando las tendencias del pasado.
Tema regional: uso mundial de electricidad ✨
En estas dos lecciones, se te presentará la predicción de series temporales, un área de aprendizaje automático algo menos conocida pero que es extremadamente valiosa para aplicaciones industriales y empresariales, entre otros campos. Aunque las redes neuronales pueden usarse para mejorar la utilidad de estos modelos, los estudiaremos en el contexto del aprendizaje automático clásico, ya que los modelos ayudan a predecir el rendimiento futuro basándose en el pasado.
Nuestro enfoque regional es el uso eléctrico en el mundo, un conjunto de datos interesante para aprender sobre la predicción del consumo futuro de energía basado en patrones de carga pasados. Puedes ver cómo este tipo de predicción puede ser extremadamente útil en un entorno empresarial.
Foto de Peddi Sai hrithik de torres eléctricas en una carretera en Rajasthan en Unsplash
Lecciones
- Introducción a la predicción de series temporales
- Construcción de modelos ARIMA para series temporales
- Construcción de un Support Vector Regressor para la predicción de series temporales
Créditos
"Introducción a la predicción de series temporales" fue escrito con ⚡️ por Francesca Lazzeri y Jen Looper. Los cuadernos aparecieron por primera vez en línea en el repositorio de Azure "Deep Learning For Time Series" originalmente escrito por Francesca Lazzeri. La lección de SVR fue escrita por Anirban Mukherjee.
Descargo de responsabilidad:
Este documento ha sido traducido utilizando el servicio de traducción automática Co-op Translator. Si bien nos esforzamos por garantizar la precisión, tenga en cuenta que las traducciones automatizadas pueden contener errores o imprecisiones. El documento original en su idioma nativo debe considerarse la fuente autorizada. Para información crítica, se recomienda una traducción profesional realizada por humanos. No nos hacemos responsables de malentendidos o interpretaciones erróneas que puedan surgir del uso de esta traducción.