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
3.0 KiB
37 lines
3.0 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "61342603bad8acadbc6b2e4e3aab3f66",
|
|
"translation_date": "2025-08-29T13:09:00+00:00",
|
|
"source_file": "7-TimeSeries/README.md",
|
|
"language_code": "tl"
|
|
}
|
|
-->
|
|
# Panimula sa pag-forecast ng time series
|
|
|
|
Ano ang pag-forecast ng time series? Ito ay tungkol sa pag-predict ng mga darating na pangyayari sa pamamagitan ng pagsusuri ng mga trend sa nakaraan.
|
|
|
|
## Paksang rehiyonal: pandaigdigang paggamit ng kuryente ✨
|
|
|
|
Sa dalawang araling ito, ipakikilala sa iyo ang pag-forecast ng time series, isang medyo hindi gaanong kilalang larangan ng machine learning ngunit napakahalaga para sa mga aplikasyon sa industriya at negosyo, pati na rin sa iba pang mga larangan. Bagama't maaaring gamitin ang neural networks upang mapahusay ang utility ng mga modelong ito, pag-aaralan natin ito sa konteksto ng klasikong machine learning kung saan ang mga modelo ay tumutulong sa pag-predict ng hinaharap na performance batay sa nakaraan.
|
|
|
|
Ang ating pokus na rehiyon ay ang paggamit ng kuryente sa buong mundo, isang kawili-wiling dataset upang matutunan ang pag-forecast ng hinaharap na paggamit ng kuryente batay sa mga pattern ng nakaraang load. Makikita mo kung paano ang ganitong uri ng pag-forecast ay maaaring maging lubos na kapaki-pakinabang sa isang kapaligiran ng negosyo.
|
|
|
|
|
|
|
|
Larawan ni [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) ng mga electrical tower sa isang kalsada sa Rajasthan sa [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
|
|
|
|
## Mga Aralin
|
|
|
|
1. [Panimula sa pag-forecast ng time series](1-Introduction/README.md)
|
|
2. [Pagbuo ng ARIMA time series models](2-ARIMA/README.md)
|
|
3. [Pagbuo ng Support Vector Regressor para sa pag-forecast ng time series](3-SVR/README.md)
|
|
|
|
## Mga Kredito
|
|
|
|
"Introduction to time series forecasting" ay isinulat nang may ⚡️ nina [Francesca Lazzeri](https://twitter.com/frlazzeri) at [Jen Looper](https://twitter.com/jenlooper). Ang mga notebook ay unang lumabas online sa [Azure "Deep Learning For Time Series" repo](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) na orihinal na isinulat ni Francesca Lazzeri. Ang aralin tungkol sa SVR ay isinulat ni [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD)
|
|
|
|
---
|
|
|
|
**Paunawa**:
|
|
Ang dokumentong ito ay isinalin gamit ang AI translation service na [Co-op Translator](https://github.com/Azure/co-op-translator). Bagama't sinisikap naming maging tumpak, pakitandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatugma. Ang orihinal na dokumento sa orihinal nitong wika ang dapat ituring na opisyal na sanggunian. Para sa mahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na maaaring magmula sa paggamit ng pagsasaling ito. |