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/pl/7-TimeSeries
History
localizeflow[bot] 1e8aaef95b
[it,pl,tr] 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 [it,pl,tr] chore(i18n): sync translations 3 weeks ago

README.md
Escape

Wprowadzenie do prognozowania szeregów czasowych

Czym jest prognozowanie szeregów czasowych? To przewidywanie przyszłych zdarzeń poprzez analizowanie trendów z przeszłości.

Temat regionalny: światowe zużycie energii elektrycznej ✨

W tych dwóch lekcjach zostaniesz wprowadzony do prognozowania szeregów czasowych, stosunkowo mniej znanej dziedziny uczenia maszynowego, która jest jednak niezwykle cenna dla przemysłu i zastosowań biznesowych, między innymi. Chociaż sieci neuronowe mogą być używane do zwiększenia użyteczności tych modeli, my będziemy je studiować w kontekście klasycznego uczenia maszynowego, ponieważ modele pomagają przewidzieć przyszłe wyniki na podstawie przeszłości.

Naszym regionalnym skupieniem jest zużycie energii elektrycznej na świecie, interesujący zbiór danych do nauki prognozowania przyszłego zużycia energii na podstawie wzorców dotychczasowego obciążenia. Możesz zobaczyć, jak tego typu prognozowanie może być niezwykle pomocne w środowisku biznesowym.

electric grid

Zdjęcie autorstwa Peddi Sai hrithik przedstawiające wieże elektroenergetyczne przy drodze w Radżastanie na Unsplash

Lekcje

  1. Wprowadzenie do prognozowania szeregów czasowych
  2. Budowanie modeli ARIMA dla szeregów czasowych
  3. Budowanie regresora wektorów nośnych (SVR) dla prognozowania szeregów czasowych

Podziękowania

"Wprowadzenie do prognozowania szeregów czasowych" zostało napisane z ⚡️ przez Francesca Lazzeri i Jen Looper. Notatniki pojawiły się po raz pierwszy online w repozytorium Azure „Deep Learning For Time Series”, oryginalnie napisanym przez Francescę Lazzeri. Lekcję SVR napisał Anirban Mukherjee

Zastrzeżenie: Niniejszy dokument został przetłumaczony za pomocą usługi tłumaczenia AI Co-op Translator. Choć dążymy do dokładności, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub niedokładności. Oryginalny dokument w jego języku źródłowym należy uznawać za autorytatywne źródło. W przypadku informacji krytycznych zalecane jest skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.