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/pl/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

Wprowadzenie do prognozowania szeregów czasowych

Czym jest prognozowanie szeregów czasowych? Chodzi o przewidywanie przyszłych zdarzeń poprzez analizę trendów z przeszłości.

Temat regionalny: globalne zużycie energii elektrycznej ✨

W tych dwóch lekcjach zostaniesz wprowadzony do prognozowania szeregów czasowych, nieco mniej znanej dziedziny uczenia maszynowego, która jednak ma ogromne znaczenie dla zastosowań przemysłowych i biznesowych, a także innych obszarów. Chociaż sieci neuronowe mogą być używane do zwiększenia użyteczności tych modeli, będziemy je badać w kontekście klasycznego uczenia maszynowego, ponieważ modele pomagają przewidywać przyszłą wydajność na podstawie danych z przeszłości.

Naszym regionalnym tematem jest zużycie energii elektrycznej na świecie, interesujący zbiór danych, który pozwala nauczyć się prognozowania przyszłego zużycia energii na podstawie wzorców obciążenia z przeszłości. Możesz zobaczyć, jak tego rodzaju prognozowanie może być niezwykle pomocne w środowisku biznesowym.

sieć elektryczna

Zdjęcie autorstwa Peddi Sai hrithik przedstawiające wieże elektryczne przy drodze w Radżastanie na Unsplash

Lekcje

  1. Wprowadzenie do prognozowania szeregów czasowych
  2. Budowanie modeli szeregów czasowych ARIMA
  3. Budowanie regresora wektorów nośnych (SVR) dla prognozowania szeregów czasowych

Podziękowania

"Wprowadzenie do prognozowania szeregów czasowych" zostało napisane z ⚡️ przez Francesca Lazzeri i Jen Looper. Notatniki po raz pierwszy pojawiły się online w repozytorium Azure "Deep Learning For Time Series" pierwotnie napisanym przez Francescę Lazzeri. Lekcja dotycząca SVR została napisana przez Anirban Mukherjee.

Zastrzeżenie:
Ten dokument został przetłumaczony za pomocą usługi tłumaczenia AI Co-op Translator. Chociaż dokładamy wszelkich starań, aby tłumaczenie było precyzyjne, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego rodzimym języku powinien być uznawany za wiarygodne źródło. W przypadku informacji o kluczowym znaczeniu zaleca się skorzystanie z profesjonalnego tłumaczenia przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.