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/ms/7-TimeSeries
History
localizeflow[bot] 991afd1212
[id,ms,tl] 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 [id,ms,tl] chore(i18n): sync translations 3 weeks ago

README.md
Escape

Pengenalan kepada peramalan siri masa

Apakah peramalan siri masa? Ia berkaitan dengan meramalkan peristiwa masa depan dengan menganalisis corak masa lalu.

Topik serantau: penggunaan elektrik di seluruh dunia ✨

Dalam dua pelajaran ini, anda akan diperkenalkan kepada peramalan siri masa, satu bidang pembelajaran mesin yang agak kurang dikenali tetapi sangat berharga untuk aplikasi industri dan perniagaan, antara bidang lain. Walaupun rangkaian neural boleh digunakan untuk meningkatkan kegunaan model-model ini, kami akan mengkajinya dalam konteks pembelajaran mesin klasik kerana model membantu meramalkan prestasi masa depan berdasarkan masa lalu.

Fokus serantau kami adalah penggunaan elektrik di dunia, satu set data menarik untuk mempelajari peramalan penggunaan kuasa masa depan berdasarkan corak beban masa lalu. Anda boleh lihat bagaimana jenis peramalan ini sangat membantu dalam persekitaran perniagaan.

electric grid

Foto oleh Peddi Sai hrithik menara elektrik di sebuah jalan di Rajasthan pada Unsplash

Pelajaran

  1. Pengenalan kepada peramalan siri masa
  2. Membina model siri masa ARIMA
  3. Membina Support Vector Regressor untuk peramalan siri masa

Kredit

"Pengenalan kepada peramalan siri masa" ditulis dengan ⚡️ oleh Francesca Lazzeri dan Jen Looper. Buku nota ini pertama kali muncul dalam talian di repo "Deep Learning For Time Series" Azure yang asalnya ditulis oleh Francesca Lazzeri. Pelajaran SVR ditulis oleh Anirban Mukherjee

Penafian: Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI Co-op Translator. Walaupun kami berusaha untuk ketepatan, sila ambil maklum bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang sahih. Untuk maklumat penting, terjemahan oleh manusia profesional adalah disyorkan. Kami tidak bertanggungjawab terhadap sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.