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 'update-translations'
${ noResults }
ML-For-Beginners/translations/hu/7-TimeSeries
History
localizeflow[bot] b08221c6ab
[sw,hu,cs] chore(i18n): sync translations 		3 weeks ago
..
1-Introduction chore(i18n): sync translations with latest source changes (chunk 1/1, 300 changes) 8 months ago
2-ARIMA chore(i18n): sync translations with latest source changes (chunk 1/1, 300 changes) 8 months ago
3-SVR chore(i18n): sync translations with latest source changes (chunk 1/1, 300 changes) 8 months ago
README.md [sw,hu,cs] chore(i18n): sync translations 3 weeks ago

README.md
Escape

Idősoros előrejelzés bevezetése

Mi az idősoros előrejelzés? Azt jelenti, hogy a múltbeli trendek elemzésével jósoljuk meg a jövőbeli eseményeket.

Regionális téma: világszerte az elektromos áram felhasználása ✨

Ebben a két leckében megismerkedsz az idősoros előrejelzéssel, amely a gépi tanulás egy kevésbé ismert, de rendkívül értékes területe az ipar és az üzleti alkalmazások számára, többek között. Bár neurális hálózatokat is lehet használni ezen modellek hasznosságának növelésére, mi klasszikus gépi tanulási kontextusban fogjuk tanulmányozni őket, mivel a modellek a múlt alapján segítenek előrejelezni a jövőbeli teljesítményt.

Regionális fókuszunk a világ elektromos áram felhasználása, egy érdekes adatállomány, amely segít megtanulni, hogyan lehet a múltbeli terhelési minták alapján előrejelezni a jövőbeli áramfogyasztást. Láthatod, hogy az ilyen típusú előrejelzés milyen rendkívül hasznos lehet egy üzleti környezetben.

electric grid

Fotó: Peddi Sai hrithik az elektromos tornyokról Rajasthan egy útján az Unsplash oldalán

Leckék

  1. Bevezetés az idősoros előrejelzésbe
  2. ARIMA idősoros modellek építése
  3. Support Vector Regressor építése idősoros előrejelzéshez

Közreműködők

Az "Idősoros előrejelzés bevezetése" ⚡️-val készült Francesca Lazzeri és Jen Looper közreműködésével. A jegyzetek először az Azure "Deep Learning For Time Series" repójában jelentek meg, melyet eredetileg Francesca Lazzeri írt. Az SVR leckét Anirban Mukherjee jegyzi.

Jogi nyilatkozat: Ez a dokumentum az AI fordítási szolgáltatás, a Co-op Translator segítségével készült. Bár az pontosságra törekszünk, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az anyanyelvén tekintendő hiteles forrásnak. Fontos információk esetén professzionális emberi fordítást javasolunk. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely ebből a fordításból ered.