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 'e84e21cf0c'
${ noResults }
ML-For-Beginners/translations/da/7-TimeSeries/README.md

2.6 KiB
Raw Blame History Escape

Introduktion til tidsserieprognoser

Hvad er tidsserieprognoser? Det handler om at forudsige fremtidige begivenheder ved at analysere tendenser fra fortiden.

Regionalt emne: verdensomspændende elforbrug ✨

I disse to lektioner vil du blive introduceret til tidsserieprognoser, et noget mindre kendt område inden for maskinlæring, som alligevel er ekstremt værdifuldt for industrien og erhvervsapplikationer blandt andre felter. Mens neurale netværk kan bruges til at forbedre nytten af disse modeller, vil vi studere dem i konteksten af klassisk maskinlæring, da modeller hjælper med at forudsige fremtidig ydeevne baseret på fortiden.

Vores regionale fokus er elektricitetsforbrug i verden, et interessant datasæt til at lære om prognoser for fremtidigt strømforbrug baseret på mønstre i tidligere belastning. Du kan se, hvordan denne slags prognoser kan være ekstremt nyttige i en forretningsmæssig sammenhæng.

electric grid

Foto af Peddi Sai hrithik af elektriske tårne på en vej i Rajasthan på Unsplash

Lektioner

  1. Introduktion til tidsserieprognoser
  2. Bygning af ARIMA tidsseriemodeller
  3. Bygning af Support Vector Regressor til tidsserieprognoser

Credits

"Introduktion til tidsserieprognoser" blev skrevet med ⚡️ af Francesca Lazzeri og Jen Looper. Notebooks blev først offentliggjort online i Azure "Deep Learning For Time Series" repo oprindeligt skrevet af Francesca Lazzeri. SVR-lektionen blev skrevet af Anirban Mukherjee

Ansvarsfraskrivelse: Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten Co-op Translator. Selvom vi bestræber os på nøjagtighed, skal du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det originale dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi påtager os intet ansvar for misforståelser eller fejltolkninger, der opstår som følge af brugen af denne oversættelse.