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/sk/7-TimeSeries
History
leestott c796f3dda8
🌐 Update translations via Co-op Translator 		3 weeks ago
..
1-Introduction 🌐 Update translations via Co-op Translator 3 weeks ago
2-ARIMA 🌐 Update translations via Co-op Translator 3 weeks ago
3-SVR 🌐 Update translations via Co-op Translator 3 weeks ago
README.md 🌐 Update translations via Co-op Translator 3 weeks ago

README.md
Escape

Úvod do predikcie časových radov

Čo je predikcia časových radov? Ide o predpovedanie budúcich udalostí na základe analýzy trendov z minulosti.

Regionálna téma: celosvetová spotreba elektrickej energie ✨

V týchto dvoch lekciách sa zoznámite s predikciou časových radov, čo je síce menej známa oblasť strojového učenia, ale napriek tomu mimoriadne cenná pre priemyselné a obchodné aplikácie, ako aj iné oblasti. Hoci neurónové siete môžu zvýšiť užitočnosť týchto modelov, budeme ich študovať v kontexte klasického strojového učenia, pretože modely pomáhajú predpovedať budúci výkon na základe minulosti.

Našou regionálnou témou je spotreba elektrickej energie vo svete, zaujímavý dataset, ktorý nám umožní naučiť sa predpovedať budúcu spotrebu energie na základe vzorcov z minulých údajov. Môžete vidieť, ako môže byť tento typ predikcie mimoriadne užitočný v obchodnom prostredí.

elektrická sieť

Fotografia od Peddi Sai hrithik elektrických stožiarov na ceste v Rádžastáne na Unsplash

Lekcie

  1. Úvod do predikcie časových radov
  2. Vytváranie ARIMA modelov časových radov
  3. Vytváranie modelu Support Vector Regressor pre predikciu časových radov

Kredity

"Úvod do predikcie časových radov" bol napísaný s ⚡️ Francescou Lazzeri a Jen Looper. Notebooky sa prvýkrát objavili online v repozitári Azure "Deep Learning For Time Series", pôvodne napísanom Francescou Lazzeri. Lekciu o SVR napísal Anirban Mukherjee.

Upozornenie:
Tento dokument bol preložený pomocou služby AI prekladu Co-op Translator. Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.