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.
ML-For-Beginners/translations/fa/7-TimeSeries
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

مقدمه‌ای بر پیش‌بینی سری‌های زمانی

پیش‌بینی سری‌های زمانی چیست؟ این فرآیند شامل پیش‌بینی رویدادهای آینده با تحلیل روندهای گذشته است.

موضوع منطقه‌ای: مصرف برق جهانی

در این دو درس، شما با پیش‌بینی سری‌های زمانی آشنا خواهید شد، حوزه‌ای که شاید کمتر شناخته شده باشد اما برای کاربردهای صنعتی و تجاری و سایر زمینه‌ها بسیار ارزشمند است. در حالی که شبکه‌های عصبی می‌توانند برای افزایش کارایی این مدل‌ها استفاده شوند، ما آن‌ها را در زمینه یادگیری ماشین کلاسیک مطالعه خواهیم کرد، زیرا این مدل‌ها به پیش‌بینی عملکرد آینده بر اساس داده‌های گذشته کمک می‌کنند.

تمرکز منطقه‌ای ما بر مصرف برق جهانی است، یک مجموعه داده جالب برای یادگیری پیش‌بینی مصرف برق آینده بر اساس الگوهای بار گذشته. می‌توانید ببینید که این نوع پیش‌بینی چگونه می‌تواند در محیط‌های تجاری بسیار مفید باشد.

شبکه برق

عکس از Peddi Sai hrithik از برج‌های برق در جاده‌ای در راجستان در Unsplash

درس‌ها

  1. مقدمه‌ای بر پیش‌بینی سری‌های زمانی
  2. ساخت مدل‌های سری زمانی ARIMA
  3. ساخت مدل Support Vector Regressor برای پیش‌بینی سری‌های زمانی

اعتبارها

"مقدمه‌ای بر پیش‌بینی سری‌های زمانی" با توسط Francesca Lazzeri و Jen Looper نوشته شده است. نوت‌بوک‌ها ابتدا به صورت آنلاین در مخزن "Deep Learning For Time Series" در Azure که توسط Francesca Lazzeri نوشته شده بود، منتشر شدند. درس SVR توسط Anirban Mukherjee نوشته شده است.


سلب مسئولیت:
این سند با استفاده از سرویس ترجمه هوش مصنوعی Co-op Translator ترجمه شده است. در حالی که ما برای دقت تلاش می‌کنیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است شامل خطاها یا نادرستی‌هایی باشند. سند اصلی به زبان اصلی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس، ترجمه حرفه‌ای انسانی توصیه می‌شود. ما هیچ مسئولیتی در قبال سوءتفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.