leestott
f915efe2b4
|
2 weeks ago | |
|---|---|---|
| .. | ||
| 1-Introduction | 2 weeks ago | |
| 2-ARIMA | 2 weeks ago | |
| 3-SVR | 2 weeks ago | |
| README.md | 3 weeks ago | |
README.md
टाइम सिरीज अंदाजाची ओळख
टाइम सिरीज अंदाज म्हणजे काय? भूतकाळातील ट्रेंड्सचा अभ्यास करून भविष्यातील घटनांची भविष्यवाणी करणे.
प्रादेशिक विषय: जागतिक वीज वापर ✨
या दोन धड्यांमध्ये, तुम्हाला टाइम सिरीज अंदाजाची ओळख करून दिली जाईल, मशीन लर्निंगमधील एक तुलनेने कमी परिचित क्षेत्र, जे उद्योग आणि व्यवसाय अनुप्रयोगांसह इतर क्षेत्रांसाठी अत्यंत मौल्यवान आहे. जरी न्यूरल नेटवर्क्स या मॉडेल्सची उपयुक्तता वाढवण्यासाठी वापरली जाऊ शकतात, तरी आपण त्यांचा अभ्यास पारंपरिक मशीन लर्निंगच्या संदर्भात करू, कारण मॉडेल्स भूतकाळाच्या आधारे भविष्यातील कामगिरीची भविष्यवाणी करण्यात मदत करतात.
आपला प्रादेशिक फोकस जागतिक वीज वापरावर आहे, जो भूतकाळातील लोडच्या पॅटर्न्सच्या आधारे भविष्यातील वीज वापराचा अंदाज लावण्यासाठी एक मनोरंजक डेटासेट आहे. व्यवसायाच्या वातावरणात अशा प्रकारचा अंदाज किती उपयुक्त ठरू शकतो हे तुम्हाला पाहता येईल.
Peddi Sai hrithik यांनी राजस्थानमधील रस्त्यावर वीज टॉवर्सचे Unsplash वरील फोटो
धडे
- टाइम सिरीज अंदाजाची ओळख
- ARIMA टाइम सिरीज मॉडेल्स तयार करणे
- टाइम सिरीज अंदाजासाठी सपोर्ट व्हेक्टर रेग्रेसर तयार करणे
श्रेय
"टाइम सिरीज अंदाजाची ओळख" ⚡️ सह Francesca Lazzeri आणि Jen Looper यांनी लिहिले आहे. नोटबुक्स प्रथम Azure "Deep Learning For Time Series" repo मध्ये ऑनलाइन दिसल्या, ज्या मूळतः Francesca Lazzeri यांनी लिहिल्या होत्या. SVR धडा Anirban Mukherjee यांनी लिहिला आहे.
अस्वीकरण:
हा दस्तऐवज AI भाषांतर सेवा Co-op Translator वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून निर्माण होणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.