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
2.8 KiB
37 lines
2.8 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "61342603bad8acadbc6b2e4e3aab3f66",
|
|
"translation_date": "2025-09-05T21:17:38+00:00",
|
|
"source_file": "7-TimeSeries/README.md",
|
|
"language_code": "sv"
|
|
}
|
|
-->
|
|
# Introduktion till tidsserieprognostisering
|
|
|
|
Vad är tidsserieprognostisering? Det handlar om att förutsäga framtida händelser genom att analysera trender från det förflutna.
|
|
|
|
## Regionalt ämne: global elförbrukning ✨
|
|
|
|
I dessa två lektioner kommer du att introduceras till tidsserieprognostisering, ett något mindre känt område inom maskininlärning som ändå är oerhört värdefullt för industri- och affärsapplikationer, bland andra områden. Även om neurala nätverk kan användas för att förbättra nyttan av dessa modeller, kommer vi att studera dem i kontexten av klassisk maskininlärning, eftersom modeller hjälper till att förutsäga framtida prestanda baserat på det förflutna.
|
|
|
|
Vårt regionala fokus är elförbrukning i världen, ett intressant dataset för att lära sig att prognostisera framtida elförbrukning baserat på mönster från tidigare belastning. Du kan se hur denna typ av prognostisering kan vara oerhört användbar i en affärsmiljö.
|
|
|
|
|
|
|
|
Foto av [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) av elstolpar på en väg i Rajasthan på [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
|
|
|
|
## Lektioner
|
|
|
|
1. [Introduktion till tidsserieprognostisering](1-Introduction/README.md)
|
|
2. [Bygga ARIMA-modeller för tidsserier](2-ARIMA/README.md)
|
|
3. [Bygga Support Vector Regressor för tidsserieprognostisering](3-SVR/README.md)
|
|
|
|
## Krediter
|
|
|
|
"Introduktion till tidsserieprognostisering" skrevs med ⚡️ av [Francesca Lazzeri](https://twitter.com/frlazzeri) och [Jen Looper](https://twitter.com/jenlooper). Anteckningsböckerna publicerades först online i [Azure "Deep Learning For Time Series"-repo](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) ursprungligen skrivet av Francesca Lazzeri. Lektionen om SVR skrevs av [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD).
|
|
|
|
---
|
|
|
|
**Ansvarsfriskrivning**:
|
|
Detta dokument har översatts med hjälp av AI-översättningstjänsten [Co-op Translator](https://github.com/Azure/co-op-translator). Även om vi strävar efter noggrannhet, vänligen notera att automatiska översättningar kan innehålla fel eller felaktigheter. Det ursprungliga dokumentet på dess originalspråk bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för eventuella missförstånd eller feltolkningar som uppstår vid användning av denna översättning. |