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/lt/7-TimeSeries
History
leestott 3773c80b49
🌐 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

Įvadas į laiko eilučių prognozavimą

Kas yra laiko eilučių prognozavimas? Tai ateities įvykių numatymas analizuojant praeities tendencijas.

Regioninė tema: pasaulinis elektros energijos naudojimas ✨

Šiose dviejose pamokose susipažinsite su laiko eilučių prognozavimu – mažiau žinoma mašininio mokymosi sritimi, kuri vis dėlto yra itin vertinga pramonės ir verslo taikymams bei kitoms sritims. Nors neuroniniai tinklai gali būti naudojami šių modelių naudingumui didinti, mes nagrinėsime juos klasikinio mašininio mokymosi kontekste, kaip modelius, padedančius numatyti būsimą veiklą remiantis praeities duomenimis.

Mūsų regioninis dėmesys skiriamas pasauliniam elektros energijos naudojimui – įdomiam duomenų rinkiniui, kuris padeda išmokti prognozuoti būsimą energijos poreikį remiantis praeities apkrovos modeliais. Galite pamatyti, kaip tokio tipo prognozavimas gali būti itin naudingas verslo aplinkoje.

elektros tinklas

Nuotrauka Peddi Sai hrithik elektros bokštų kelyje Radžastane, Unsplash

Pamokos

  1. Įvadas į laiko eilučių prognozavimą
  2. ARIMA laiko eilučių modelių kūrimas
  3. Laiko eilučių prognozavimas naudojant atraminių vektorių regresorių

Kreditas

"Įvadas į laiko eilučių prognozavimą" buvo parašytas su ⚡️ Francesca Lazzeri ir Jen Looper. Užrašai pirmą kartą pasirodė internete Azure "Deep Learning For Time Series" repo, kurį iš pradžių parašė Francesca Lazzeri. SVR pamoką parašė Anirban Mukherjee.

Atsakomybės apribojimas:
Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą Co-op Translator. Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus interpretavimus, atsiradusius dėl šio vertimo naudojimo.