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/ur/7-TimeSeries
History
leestott eaff2e5814
🌐 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

وقت کے سلسلے کی پیش گوئی کا تعارف

وقت کے سلسلے کی پیش گوئی کیا ہے؟ یہ ماضی کے رجحانات کا تجزیہ کرکے مستقبل کے واقعات کی پیش گوئی کرنے کے بارے میں ہے۔

علاقائی موضوع: دنیا بھر میں بجلی کا استعمال ✨

ان دو اسباق میں، آپ کو وقت کے سلسلے کی پیش گوئی سے متعارف کرایا جائے گا، جو مشین لرننگ کا ایک نسبتاً کم معروف شعبہ ہے لیکن صنعت اور کاروباری ایپلیکیشنز سمیت دیگر شعبوں کے لیے بے حد قیمتی ہے۔ اگرچہ نیورل نیٹ ورکس ان ماڈلز کی افادیت کو بڑھانے کے لیے استعمال کیے جا سکتے ہیں، ہم انہیں کلاسیکل مشین لرننگ کے تناظر میں مطالعہ کریں گے کیونکہ یہ ماڈلز ماضی کی بنیاد پر مستقبل کی کارکردگی کی پیش گوئی کرنے میں مدد کرتے ہیں۔

ہمارا علاقائی فوکس دنیا میں بجلی کے استعمال پر ہے، ایک دلچسپ ڈیٹا سیٹ جو ماضی کے لوڈ کے نمونوں کی بنیاد پر مستقبل کی بجلی کی کھپت کی پیش گوئی کرنے کے بارے میں سیکھنے کے لیے ہے۔ آپ دیکھ سکتے ہیں کہ اس قسم کی پیش گوئی کاروباری ماحول میں کتنی مددگار ثابت ہو سکتی ہے۔

electric grid

تصویر Peddi Sai hrithik کی، جو راجستھان کی ایک سڑک پر بجلی کے ٹاورز کی ہے، Unsplash پر۔

اسباق

  1. وقت کے سلسلے کی پیش گوئی کا تعارف
  2. ARIMA وقت کے سلسلے کے ماڈلز بنانا
  3. وقت کے سلسلے کی پیش گوئی کے لیے سپورٹ ویکٹر ریگریسر بنانا

کریڈٹس

"وقت کے سلسلے کی پیش گوئی کا تعارف" ⚡️ کے ساتھ Francesca Lazzeri اور Jen Looper نے لکھا۔ نوٹ بکس پہلی بار Azure "Deep Learning For Time Series" repo میں آن لائن شائع ہوئیں، جو اصل میں Francesca Lazzeri نے لکھی تھیں۔ SVR سبق Anirban Mukherjee نے لکھا۔

ڈس کلیمر:
یہ دستاویز AI ترجمہ سروس Co-op Translator کا استعمال کرتے ہوئے ترجمہ کی گئی ہے۔ ہم درستگی کے لیے پوری کوشش کرتے ہیں، لیکن براہ کرم آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا خامیاں ہو سکتی ہیں۔ اصل دستاویز کو اس کی اصل زبان میں مستند ذریعہ سمجھا جانا چاہیے۔ اہم معلومات کے لیے، پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کے لیے ہم ذمہ دار نہیں ہیں۔