Публикации по теме 'time-series-forecasting'
Методы прогнозирования временных рядов
Временные ряды существуют столько же, сколько и само время. Поэтому существует множество методов, позволяющих не только анализировать данные, но и предсказывать, что будет дальше. В статье вы можете найти краткий обзор методов, с которыми я столкнулся на практике.
1. Быстро и грязно
Во-первых, есть довольно простые методы, основанные на идее, что следующая точка сильно связана с конкретными наблюдениями в прошлом. Среди них модели скользящей средней и авторегрессии. Эти методы..
Прогнозирование энергии: на пути к эффективности
Введение
Энергия является жизненно важным источником движущей силы почти для всех процессов в мире. Растениям требуется энергия для производства пищи для выживания человека, животные охотятся за другими животными, чтобы получить энергию для процветания в дикой природе, а человеку также требуется энергия, чтобы мыслить и жить ответственно как социальные агенты в этом мире. Человеческая цивилизация сместила фокус энергии с простого ее использования для удовлетворения основных..
Семь советов по прогнозированию затрат на облако (с FB’s Prophet)
Моя команда и я недавно создали систему контроля расходов на облачные вычисления, которая помогает пользователям более легко анализировать свои затраты на облачные услуги. Но мы также хотели пойти дальше и дать пользователям возможность заглянуть в будущее с помощью прогнозов в один клик. Для этого мы основали наше решение на очень эффективных инструментах прогнозирования, включая Пророк Facebook, и подумали, что было бы полезно поделиться своими мыслями!
Совет №1: знай своего..
Прогнозирование временных рядов для начинающих (с кодами Python и R)
В области науки о данных Time Series (TS) считается одним из малоизвестных навыков (я сам понятия не имел, что это было пару дней назад).
Чтобы изучить основы решения задач временных рядов, я отправился в путешествие, и здесь я делюсь своим опытом. Любой будущий проект, за который вы возьметесь, обязательно выиграет от этих советов!
Временные ряды: что делает их такими особенными?
Точки данных собираются с постоянными интервалами в TS, как следует из названия. Из этих данных..
Грубый прогноз биткойнов с прогнозированием временных рядов
Прогнозирование временных рядов, что именно это означает?
Прогнозирование временных рядов — это метод, используемый для анализа данных временных рядов с использованием статистики и моделирования для прогнозирования. Прогноз не всегда точен, он может быть приблизительным и его следует рассматривать как вероятность, «вероятность прогнозов может сильно различаться». Качество данных очень важно, «чем полнее данные у нас есть, тем точнее могут быть прогнозы».
Его можно применять в..
Машинное обучение для прогнозирования: размер имеет значение
Сравнение классических методов прогнозирования с машинным обучением
Машинное обучение все чаще применяется для решения задач прогнозирования. Классические подходы к прогнозированию, такие как ARIMA или экспоненциальное сглаживание, заменяются алгоритмами регрессии машинного обучения, такими как XGBoost, процессы Гаусса или глубокое обучение. Однако, несмотря на повышенное внимание, все еще остаются сомнения в прогнозирующей эффективности методов машинного обучения.
Макридакис, одно..
Статистическое моделирование данных временных рядов. Часть 3: Прогнозирование стационарных временных рядов с использованием SARIMA.
Визуализация данных
Статистическое моделирование данных временных рядов. Часть 3: Прогнозирование стационарных временных рядов с использованием SARIMA.
В этой серии статей рыночный индекс S&P 500 анализируется с использованием популярной статистической модели: SARIMA (интегрированная сезонная авторегрессионная скользящая средняя) и GARCH (обобщенная авторегрессионная условная гетероскедастичность).
В первой части серия была удалена из yfinance API на python. Он был очищен и..
Новые материалы
Объяснение документов 02: BERT
BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка.
Во время предварительного обучения модель обучается на неразмеченных данных с помощью..
Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать
С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..
Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv)
Автор : Бар Лайт
Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..
Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята?
В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..
Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение.
В этом процессе мы будем использовать неконтролируемое обучение, чтобы..
Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm.
Оглавление
Глоссарий
I. Новый пакет
1.1 советы по инициализации..
Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных.
Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..