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 '2d9b2ea197'
${ noResults }
ML-For-Beginners/translations/et/7-TimeSeries
History
localizeflow[bot] 2bc4085ea6
chore(i18n): sync translations with latest source changes (chunk 2/6, 473 changes) 		3 weeks ago
..
1-Introduction chore(i18n): sync translations with latest source changes (chunk 2/6, 473 changes) 3 weeks ago
2-ARIMA chore(i18n): sync translations with latest source changes (chunk 2/6, 473 changes) 3 weeks ago
3-SVR chore(i18n): sync translations with latest source changes (chunk 2/6, 473 changes) 3 weeks ago
README.md chore(i18n): sync translations with latest source changes (chunk 2/6, 473 changes) 3 weeks ago

README.md
Escape

Sissejuhatus aegridade prognoosimisse

Mis on aegridade prognoosimine? See seisneb tulevaste sündmuste ennustamises, analüüsides mineviku trende.

Regionaalne teema: elektritarbimine üle maailma ✨

Nendes kahes õppetükis tutvustatakse teile aegridade prognoosimist, mis on küll veidi vähem tuntud masinõppe valdkond, kuid siiski äärmiselt väärtuslik tööstus- ja ärirakendustes ning muudes valdkondades. Kuigi närvivõrke saab kasutada nende mudelite kasulikkuse suurendamiseks, uurime neid klassikalise masinõppe kontekstis, kus mudelid aitavad ennustada tulevast jõudlust mineviku põhjal.

Meie regionaalne fookus on elektritarbimine maailmas – huvitav andmestik, mille abil õppida prognoosima tulevast energiatarbimist mineviku koormusmustrite põhjal. Näete, kuidas selline prognoosimine võib olla äärmiselt kasulik ärikeskkonnas.

elektrivõrk

Foto autorilt Peddi Sai hrithik elektritornidest teel Rajasthanis Unsplashis

Õppetükid

  1. Sissejuhatus aegridade prognoosimisse
  2. ARIMA aegridade mudelite loomine
  3. Toetavate vektorite regressori loomine aegridade prognoosimiseks

Autorid

"Sissejuhatus aegridade prognoosimisse" on kirjutatud ⚡️ poolt Francesca Lazzeri ja Jen Looper. Märkmikud ilmusid esmakordselt veebis Azure "Deep Learning For Time Series" repo, mille algselt kirjutas Francesca Lazzeri. SVR õppetüki kirjutas Anirban Mukherjee.

Lahtiütlus:
See dokument on tõlgitud AI tõlketeenuse Co-op Translator abil. Kuigi püüame tagada täpsust, palume arvestada, et automaatsed tõlked võivad sisaldada vigu või ebatäpsusi. Algne dokument selle algses keeles tuleks pidada autoriteetseks allikaks. Olulise teabe puhul soovitame kasutada professionaalset inimtõlget. Me ei vastuta selle tõlke kasutamisest tulenevate arusaamatuste või valesti tõlgenduste eest.