การพยากรณ์อนุกรมเวลาคืออะไร? มันคือการคาดการณ์เหตุการณ์ในอนาคตโดยการวิเคราะห์แนวโน้มในอดีต
ในสองบทเรียนนี้ คุณจะได้เรียนรู้เกี่ยวกับการพยากรณ์อนุกรมเวลา ซึ่งเป็นพื้นที่ที่ค่อนข้างไม่ค่อยมีคนรู้จักในด้านการเรียนรู้ของเครื่อง แต่มีคุณค่ามากสำหรับการใช้งานในอุตสาหกรรมและธุรกิจ รวมถึงสาขาอื่นๆ แม้ว่าเครือข่ายประสาทเทียมสามารถนำมาใช้เพื่อเพิ่มประสิทธิภาพของโมเดลเหล่านี้ได้ แต่เราจะศึกษาในบริบทของการเรียนรู้ของเครื่องแบบดั้งเดิม เนื่องจากโมเดลช่วยคาดการณ์ประสิทธิภาพในอนาคตโดยอ้างอิงจากข้อมูลในอดีต
หัวข้อภูมิภาคของเราคือการใช้ไฟฟ้าทั่วโลก ซึ่งเป็นชุดข้อมูลที่น่าสนใจสำหรับการเรียนรู้เกี่ยวกับการพยากรณ์การใช้พลังงานในอนาคตโดยอ้างอิงจากรูปแบบการใช้ในอดีต คุณจะเห็นว่าการพยากรณ์ประเภทนี้สามารถเป็นประโยชน์อย่างมากในสภาพแวดล้อมทางธุรกิจ
ภาพถ่ายโดย Peddi Sai hrithik ของเสาไฟฟ้าบนถนนในรัฐราชสถานบน Unsplash
- การแนะนำการพยากรณ์อนุกรมเวลา
- การสร้างโมเดล ARIMA สำหรับอนุกรมเวลา
- การสร้าง Support Vector Regressor สำหรับการพยากรณ์อนุกรมเวลา
"การแนะนำการพยากรณ์อนุกรมเวลา" เขียนด้วย ⚡️ โดย Francesca Lazzeri และ Jen Looper โน้ตบุ๊กปรากฏออนไลน์ครั้งแรกใน Azure "Deep Learning For Time Series" repo ซึ่งเขียนโดย Francesca Lazzeri บทเรียน SVR เขียนโดย Anirban Mukherjee
ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่แม่นยำ เอกสารต้นฉบับในภาษาต้นทางควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษาจากผู้เชี่ยวชาญ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดซึ่งเกิดจากการใช้การแปลนี้