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/uk/7-TimeSeries
History
localizeflow[bot] d8d9750f1d
[my,uk,lt] 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 [my,uk,lt] chore(i18n): sync translations 3 weeks ago

README.md
Escape

Вступ до прогнозування часових рядів

Що таке прогнозування часових рядів? Це прогнозування майбутніх подій шляхом аналізу тенденцій минулого.

Регіональна тема: світове споживання електроенергії ✨

У цих двох уроках ви ознайомитесь із прогнозуванням часових рядів, відносно менш відомою галуззю машинного навчання, яка, тим не менш, надзвичайно цінна для застосувань у промисловості, бізнесі та інших сферах. Хоча нейронні мережі можна використовувати для підвищення корисності цих моделей, ми вивчатимемо їх у контексті класичного машинного навчання, оскільки моделі допомагають прогнозувати майбутні показники на основі минулого.

Наш регіональний фокус — споживання електроенергії у світі, цікавий набір даних для вивчення прогнозування майбутнього споживання електроенергії на основі схем минулих навантажень. Ви побачите, як таке прогнозування може бути надзвичайно корисним у бізнес-середовищі.

electric grid

Фото Peddi Sai hrithik електричних веж уздовж дороги в Раджастані на Unsplash

Уроки

  1. Вступ до прогнозування часових рядів
  2. Побудова моделей ARIMA для часових рядів
  3. Побудова регресора опорних векторів для прогнозування часових рядів

Автори

"Вступ до прогнозування часових рядів" було написано з ⚡️ Франческою Лаззерi та Джен Лупер. Ноутбуки вперше з'явилися онлайн у репозиторії Azure «Глибоке навчання для часових рядів» спочатку створеному Франческою Лаззерi. Урок про SVR був написаний Анірбаном Мукерджі

Відмова від відповідальності: Цей документ було перекладено за допомогою сервісу штучного інтелекту для перекладу Co-op Translator. Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ рідною мовою слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу.