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.
37 lines
3.1 KiB
37 lines
3.1 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "61342603bad8acadbc6b2e4e3aab3f66",
|
|
"translation_date": "2025-09-03T16:45:57+00:00",
|
|
"source_file": "7-TimeSeries/README.md",
|
|
"language_code": "pl"
|
|
}
|
|
-->
|
|
# 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.
|
|
|
|
|
|
|
|
Zdjęcie autorstwa [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) przedstawiające wieże elektryczne przy drodze w Radżastanie na [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
|
|
|
|
## Lekcje
|
|
|
|
1. [Wprowadzenie do prognozowania szeregów czasowych](1-Introduction/README.md)
|
|
2. [Budowanie modeli szeregów czasowych ARIMA](2-ARIMA/README.md)
|
|
3. [Budowanie regresora wektorów nośnych (SVR) dla prognozowania szeregów czasowych](3-SVR/README.md)
|
|
|
|
## Podziękowania
|
|
|
|
"Wprowadzenie do prognozowania szeregów czasowych" zostało napisane z ⚡️ przez [Francesca Lazzeri](https://twitter.com/frlazzeri) i [Jen Looper](https://twitter.com/jenlooper). Notatniki po raz pierwszy pojawiły się online w repozytorium [Azure "Deep Learning For Time Series"](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) pierwotnie napisanym przez Francescę Lazzeri. Lekcja dotycząca SVR została napisana przez [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD).
|
|
|
|
---
|
|
|
|
**Zastrzeżenie**:
|
|
Ten dokument został przetłumaczony za pomocą usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/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. |