Πώς η Τεχνητή Νοημοσύνη προβλέπει τις τάσεις;

Η Τεχνητή Νοημοσύνη μπορεί να εντοπίσει μοτίβα που το γυμνό μάτι δεν βλέπει, φέρνοντας στην επιφάνεια σήματα που με την πρώτη ματιά μοιάζουν με θόρυβο. Αν γίνει σωστά, μετατρέπει την άτακτη συμπεριφορά σε χρήσιμη πρόβλεψη - πωλήσεις τον επόμενο μήνα, επισκεψιμότητα αύριο, απώλεια επισκεψιμότητας αργότερα αυτό το τρίμηνο. Αν γίνει λάθος, είναι ένα αδιάφορο αδιάφορο αίσθημα. Σε αυτόν τον οδηγό, θα δούμε τους ακριβείς μηχανισμούς του πώς η Τεχνητή Νοημοσύνη προβλέπει τις τάσεις, από πού προέρχονται οι νίκες και πώς να αποφύγετε να ξεγελιέστε από όμορφα γραφήματα. Θα το κρατήσω πρακτικό, με μερικές στιγμές πραγματικής συζήτησης και περιστασιακά ανασήκωμα φρυδιών 🙃.

Άρθρα που ίσως σας ενδιαφέρουν μετά από αυτό:

🔗 Πώς να μετρήσετε την απόδοση της Τεχνητής Νοημοσύνης
Βασικές μετρήσεις για την αξιολόγηση της ακρίβειας, της αποδοτικότητας και της αξιοπιστίας των συστημάτων Τεχνητής Νοημοσύνης.

🔗 Πώς να μιλήσετε με την Τεχνητή Νοημοσύνη
Πρακτικές συμβουλές για την επικοινωνία με την Τεχνητή Νοημοσύνη για τη βελτίωση της ποιότητας απόκρισης.

🔗 Τι είναι η προτροπή της Τεχνητής Νοημοσύνης
Σαφής εξήγηση για το πώς οι προτροπές επηρεάζουν τη συμπεριφορά και την έξοδο της Τεχνητής Νοημοσύνης.

🔗 Τι είναι η επισήμανση δεδομένων τεχνητής νοημοσύνης
Εισαγωγή στην αποτελεσματική επισήμανση δεδομένων για την εκπαίδευση μοντέλων μηχανικής μάθησης.

Τι κάνει καλή την πρόβλεψη τάσεων με τεχνητή νοημοσύνη ✅

Όταν οι άνθρωποι ρωτούν πώς η Τεχνητή Νοημοσύνη προβλέπει τάσεις, συνήθως εννοούν: πώς προβλέπει κάτι αβέβαιο αλλά επαναλαμβανόμενο. Η καλή πρόβλεψη τάσεων έχει μερικά βαρετά αλλά όμορφα συστατικά:

• Δεδομένα με σήμα - δεν μπορείτε να στύψετε χυμό πορτοκαλιού από μια πέτρα. Χρειάζεστε προηγούμενες τιμές και συμφραζόμενα.

• Χαρακτηριστικά που αντικατοπτρίζουν την πραγματικότητα - εποχικότητα, αργίες, προσφορές, μακροοικονομικό πλαίσιο, ακόμη και καιρός. Όχι όλα, μόνο αυτά που σας κινούν την προσοχή.

• Μοντέλα που ταιριάζουν στο ρολόι - μέθοδοι με επίγνωση του χρόνου που σέβονται την τάξη, τα κενά και την απόκλιση.

• Αξιολόγηση που αντικατοπτρίζει την ανάπτυξη - δοκιμές εκ των υστέρων που προσομοιώνουν τον τρόπο με τον οποίο θα προβλέψετε πραγματικά. Χωρίς κρυφοκοιτάσματα [2].

• Παρακολούθηση για αλλαγή - ο κόσμος αλλάζει· το μοντέλο σας θα πρέπει επίσης [5].

Αυτός είναι ο σκελετός. Τα υπόλοιπα είναι μύες, τένοντες και λίγη καφεΐνη.

Ο βασικός αγωγός: πώς η τεχνητή νοημοσύνη προβλέπει τάσεις από ακατέργαστα δεδομένα σε προβλέψεις 🧪

1. Συλλογή και ευθυγράμμιση δεδομένων
   . Συνδυάστε τη σειρά-στόχο με εξωγενή σήματα. Τυπικές πηγές: κατάλογοι προϊόντων, διαφημιστικές δαπάνες, τιμές, μακροοικονομικοί δείκτες και συμβάντα. Ευθυγραμμίστε τις χρονικές σημάνσεις, χειριστείτε τιμές που λείπουν, τυποποιήστε μονάδες. Δεν είναι εντυπωσιακό αλλά κρίσιμο.

2. Χαρακτηριστικά μηχανικού
   Δημιουργήστε υστερήσεις, κυλιόμενους μέσους όρους, κινούμενα ποσοστημόρια, σημαίες ημέρας-εβδομάδας και δείκτες ειδικούς για τον τομέα. Για την εποχική προσαρμογή, πολλοί επαγγελματίες αναλύουν μια σειρά σε συνιστώσες τάσης, εποχικότητας και υπολοίπου πριν από τη μοντελοποίηση. Το πρόγραμμα X-13 του Γραφείου Απογραφής των ΗΠΑ είναι η κανονική αναφορά για το πώς και γιατί λειτουργεί αυτό [1].

3. Διάλεξε μια οικογένεια μοντέλων.
   Έχεις τρεις μεγάλους κουβάδες:

• Κλασική στατιστική : ARIMA, ETS, χώρος καταστάσεων/Kalman. Ερμηνεύσιμη και γρήγορη.

• Μηχανική μάθηση : ενίσχυση διαβάθμισης, τυχαία δάση με χαρακτηριστικά που λαμβάνουν υπόψη τον χρόνο. Ευέλικτη σε πολλές σειρές.

• Βαθιά μάθηση : LSTM, Χρονικά CNN, Μετασχηματιστές. Χρήσιμο όταν έχετε πολλά δεδομένα και σύνθετη δομή.

4. Η διασταυρούμενη
   επικύρωση χρονοσειρών χρησιμοποιεί μια κυλιόμενη αρχή, επομένως δεν εκπαιδεύεστε ποτέ στο μέλλον ενώ ελέγχετε το παρελθόν. Αυτή είναι η διαφορά μεταξύ ειλικρινούς ακρίβειας και ευσεβούς πόθου [2].

5. Πρόβλεψη, ποσοτικοποίηση αβεβαιότητας και αποστολή
   προβλέψεων επιστροφής σε διαστήματα, παρακολούθηση σφάλματος και επανεκπαίδευση καθώς ο κόσμος μετατοπίζεται. Οι διαχειριζόμενες υπηρεσίες συνήθως εμφανίζουν μετρήσεις ακρίβειας (π.χ., MAPE, WAPE, MASE) και εκ των υστέρων έλεγχο παραθύρων από την αρχή, γεγονός που διευκολύνει τη διακυβέρνηση και τους πίνακες ελέγχου [3].

Μια γρήγορη ιστορία πολέμου: σε μια κυκλοφορία, αφιερώσαμε μια επιπλέον μέρα σε λειτουργίες ημερολογίου (περιφερειακές αργίες + σημαίες προώθησης) και μειώσαμε τα λάθη του πρώιμου ορίζοντα αισθητά περισσότερο από ό,τι στην ανταλλαγή μοντέλων. Η ποιότητα των λειτουργιών υπερίσχυσε της καινοτομίας των μοντέλων - ένα θέμα που θα δείτε ξανά.

Συγκριτικός Πίνακας: εργαλεία που βοηθούν την Τεχνητή Νοημοσύνη να Προβλέπει Τάσεις 🧰

Ατελές επίτηδες - ένα πραγματικό τραπέζι με μερικές ανθρώπινες ιδιορρυθμίες.

Ναι, η διατύπωση είναι άνιση. Αυτή είναι η πραγματική ζωή.

Τεχνολογία χαρακτηριστικών που πραγματικά κινεί τα πράγματα 🧩

Η απλούστερη χρήσιμη απάντηση στο πώς η Τεχνητή Νοημοσύνη Προβλέπει Τάσεις είναι η εξής: μετατρέπουμε τη σειρά σε έναν πίνακα επιβλεπόμενης μάθησης που θυμάται τον χρόνο. Μερικές βασικές κινήσεις:

• Υστερήσεις και παράθυρα : περιλαμβάνουν y[t-1], y[t-7], y[t-28], καθώς και μέσα κύλισης και τυπική απόκλιση. Καταγράφει την ορμή και την αδράνεια.

• Σήματα εποχικότητας : μήνας, εβδομάδα, ημέρα της εβδομάδας, ώρα της ημέρας. Οι όροι Fourier δίνουν ομαλές εποχιακές καμπύλες.

• Ημερολόγιο & εκδηλώσεις : αργίες, κυκλοφορίες προϊόντων, αλλαγές τιμών, προσφορές. Τα εορταστικά εφέ τύπου Προφήτη είναι απλώς χαρακτηριστικά με προγενέστερα χαρακτηριστικά.

• Αποσύνθεση : αφαιρέστε μια εποχιακή συνιστώσα και μοντελοποιήστε το υπόλοιπο όταν τα μοτίβα είναι ισχυρά. Το X-13 είναι μια καλά δοκιμασμένη γραμμή βάσης για αυτό [1].

• Εξωτερικοί παλινδρομικοί δείκτες : καιρός, μακροεντολές, προβολές σελίδας, ενδιαφέρον αναζήτησης.

• Υποδείξεις αλληλεπίδρασης : απλές διασταυρώσεις όπως promo_flag × day_of_week. Είναι πρόχειρο αλλά συχνά λειτουργεί.

Αν έχετε πολλές σχετικές σειρές - ας πούμε χιλιάδες SKU - μπορείτε να συγκεντρώσετε πληροφορίες μεταξύ τους με ιεραρχικά ή καθολικά μοντέλα. Στην πράξη, ένα καθολικό μοντέλο με ενίσχυση διαβάθμισης και χαρακτηριστικά που λαμβάνουν υπόψη τον χρόνο συχνά αποδίδει καλύτερα από το αναμενόμενο.

Επιλέγοντας Πρότυπες Οικογένειες: ένας φιλικός καβγάς 🤼♀️

• ARIMA/ETS
  : ερμηνεύσιμες, γρήγορες, σταθερές γραμμές βάσης. Μειονεκτήματα: η ρύθμιση ανά σειρά μπορεί να γίνει περίπλοκη σε κλίμακα. Η μερική αυτοσυσχέτιση μπορεί να βοηθήσει στην αποκάλυψη παραγγελιών, αλλά μην περιμένετε θαύματα.

• Ενίσχυση κλίσης
  Πλεονεκτήματα: χειρίζεται χαρακτηριστικά σε μορφή πίνακα, είναι ανθεκτικό σε μικτά σήματα, είναι εξαιρετικό με πολλές σχετικές σειρές. Μειονεκτήματα: πρέπει να σχεδιάσετε καλά τα χρονικά χαρακτηριστικά και να σέβεστε την αιτιότητα.

• Βαθιά μάθηση
  Πλεονεκτήματα: καταγράφει μη γραμμικότητα και μοτίβα διασταυρούμενων σειρών. Μειονεκτήματα: απαιτεί δεδομένα, είναι πιο δύσκολο να εντοπιστεί σφάλμα. Όταν έχετε πλούσιο περιεχόμενο ή μακρύ ιστορικό, μπορεί να λάμψει. Διαφορετικά, είναι ένα σπορ αυτοκίνητο σε ώρα αιχμής.

• Υβριδικά & σύνολα
  Ας είμαστε ειλικρινείς, ο συνδυασμός μιας εποχιακής γραμμής βάσης με ένα ενισχυτικό κλίσης και η ανάμειξη με ένα ελαφρύ LSTM είναι μια όχι και τόσο ασυνήθιστη ένοχη απόλαυση. Έχω κάνει πίσω στην «καθαρότητα ενός μοντέλου» περισσότερες φορές από ό,τι παραδέχομαι.

Αιτιότητα έναντι συσχέτισης: χειριστείτε με προσοχή 🧭

Το γεγονός ότι δύο γραμμές κουνιούνται μεταξύ τους δεν σημαίνει ότι η μία επηρεάζει την άλλη. Η αιτιότητα του Granger ελέγχει εάν η προσθήκη ενός υποψήφιου παράγοντα βελτιώνει την πρόβλεψη για τον στόχο, δεδομένου του δικού του ιστορικού. Πρόκειται για προγνωστική χρησιμότητα υπό γραμμικές αυτοπαλίνδρομες υποθέσεις, όχι για φιλοσοφική αιτιότητα - μια λεπτή αλλά σημαντική διάκριση [4].

Στην παραγωγή, εξακολουθείτε να ελέγχετε την ορθότητά σας με τη γνώση του τομέα. Παράδειγμα: οι επιπτώσεις των ημερών της εβδομάδας έχουν σημασία για το λιανικό εμπόριο, αλλά η προσθήκη των κλικ σε διαφημίσεις της περασμένης εβδομάδας μπορεί να είναι περιττή εάν η δαπάνη υπάρχει ήδη στο μοντέλο.

Δοκιμή εκ των υστέρων και μετρήσεις: πού κρύβονται τα περισσότερα σφάλματα 🔍

Για να αξιολογήσετε ρεαλιστικά τον τρόπο με τον οποίο η Τεχνητή Νοημοσύνη προβλέπει τις τάσεις, μιμηθείτε τον τρόπο που θα κάνετε προβλέψεις στην πράξη:

• Διασταυρούμενη επικύρωση κυλιόμενης προέλευσης : επανειλημμένη εκπαίδευση σε προηγούμενα δεδομένα και πρόβλεψη του επόμενου τμήματος. Αυτό σέβεται τη χρονική σειρά και αποτρέπει μελλοντικές διαρροές [2].

• Μετρήσεις σφάλματος : επιλέξτε αυτό που ταιριάζει στις αποφάσεις σας. Οι ποσοστιαίες μετρήσεις όπως το MAPE είναι δημοφιλείς, αλλά οι σταθμισμένες μετρήσεις (WAPE) ή οι μετρήσεις χωρίς κλίμακα (MASE) συχνά συμπεριφέρονται καλύτερα για χαρτοφυλάκια και συγκεντρωτικά μεγέθη [3].

• Διαστήματα πρόβλεψης : μην δίνετε απλώς ένα επιχείρημα. Επικοινωνήστε την αβεβαιότητα. Τα στελέχη σπάνια αγαπούν τα εύρη, αλλά αγαπούν λιγότερες εκπλήξεις.

Ένα μικρό πρόβλημα: όταν τα στοιχεία μπορούν να είναι μηδενικά, οι ποσοστιαίες μετρήσεις γίνονται περίεργες. Προτιμήστε απόλυτα ή κλιμακωτά σφάλματα ή προσθέστε μια μικρή μετατόπιση - απλώς να είστε συνεπείς.

Η μετατόπιση συμβαίνει: ανίχνευση και προσαρμογή στην αλλαγή 🌊

Μετατόπιση αγορών, μετατόπιση προτιμήσεων, γήρανση αισθητήρων. Η μετατόπιση εννοιών είναι το γενικό συμπέρασμα για το πότε εξελίσσεται η σχέση μεταξύ των εισροών και του στόχου. Μπορείτε να παρακολουθείτε την μετατόπιση με στατιστικές δοκιμές, σφάλματα συρόμενου παραθύρου ή ελέγχους κατανομής δεδομένων. Στη συνέχεια, επιλέξτε μια στρατηγική: μικρότερα παράθυρα εκπαίδευσης, περιοδική επανεκπαίδευση ή προσαρμοστικά μοντέλα που ενημερώνονται online. Οι έρευνες πεδίου δείχνουν πολλαπλούς τύπους μετατόπισης και πολιτικές προσαρμογής. καμία ενιαία πολιτική δεν ταιριάζει σε όλους [5].

Πρακτικό εγχειρίδιο: ορίστε όρια ειδοποίησης σε περίπτωση σφάλματος ζωντανής πρόβλεψης, επανεκπαιδευτείτε βάσει προγράμματος και διατηρήστε έτοιμη μια εφεδρική γραμμή βάσης. Δεν είναι εντυπωσιακό - πολύ αποτελεσματικό.

Εξηγησιμότητα: άνοιγμα του μαύρου κουτιού χωρίς να το σπάσουμε 🔦

Τα ενδιαφερόμενα μέρη ρωτούν γιατί η πρόβλεψη αυξήθηκε. Λογικό. Εργαλεία που δεν εξαρτώνται από μοντέλα, όπως το SHAP, αποδίδουν μια πρόβλεψη σε χαρακτηριστικά με θεωρητικά τεκμηριωμένο τρόπο, βοηθώντας σας να δείτε εάν η εποχικότητα, η τιμή ή η προωθητική κατάσταση ώθησαν τον αριθμό. Δεν θα αποδείξει την αιτιότητα, αλλά βελτιώνει την εμπιστοσύνη και τον εντοπισμό σφαλμάτων.

Στις δικές μου δοκιμές, οι εβδομαδιαίες εποχικότητες και οι προωθητικές σημαίες τείνουν να κυριαρχούν στις βραχυπρόθεσμες προβλέψεις λιανικής, ενώ οι μακροπρόθεσμες μετατοπίζονται προς μακροοικονομικά proxy. Τα χιλιόμετρα σας θα ποικίλλουν - ευχάριστα.

Cloud & MLOps: προβλέψεις αποστολής χωρίς ταινία 🚚

Αν προτιμάτε διαχειριζόμενες πλατφόρμες:

• Το Google Vertex AI Forecast παρέχει μια καθοδηγούμενη ροή εργασίας για την εισαγωγή χρονοσειρών, την εκτέλεση προβλέψεων AutoML, τον backtesting και την ανάπτυξη τελικών σημείων. Επίσης, λειτουργεί καλά με μια σύγχρονη στοίβα δεδομένων.

• Το Amazon Forecast εστιάζει στην ανάπτυξη μεγάλης κλίμακας, με τυποποιημένες μετρήσεις backtesting και ακρίβειας που μπορείτε να αντλήσετε μέσω API, το οποίο βοηθά στη διακυβέρνηση και τους πίνακες ελέγχου [3].

Και οι δύο τρόποι μειώνουν την τυπικότητα. Απλώς προσέξτε το κόστος και το υπόλοιπο τη ροή δεδομένων. Και τα δύο μάτια εντελώς - δύσκολο αλλά εφικτό.

Μια σύντομη περίληψη περίπτωσης: από τα ακατέργαστα κλικ έως το σήμα τάσης 🧭✨

Ας φανταστούμε ότι προβλέπετε καθημερινές εγγραφές για μια εφαρμογή freemium:

1. Δεδομένα : λήψη καθημερινών εγγραφών, διαφημιστικών δαπανών ανά κανάλι, διακοπές λειτουργίας ιστότοπου και ένα απλό ημερολόγιο προσφορών.

2. Χαρακτηριστικά : υστερήσεις 1, 7, 14, κυλιόμενος μέσος όρος 7 ημερών, σημαίες ημέρας-εβδομάδας, δυαδική σημαία προώθησης, εποχιακός όρος Fourier και αποσυντιθέμενο εποχιακό υπόλοιπο, ώστε το μοντέλο να εστιάζει στο μη επαναλαμβανόμενο μέρος. Η εποχιακή αποσύνθεση είναι μια κλασική κίνηση στις επίσημες στατιστικές - βαρετό όνομα, μεγάλη απόδοση [1].

3. Μοντέλο : ξεκινήστε με έναν παλινδρομικό συντελεστή ενισχυμένο με διαβάθμιση ως παγκόσμιο μοντέλο σε όλες τις γεωγραφικές περιοχές.

4. Backtest : κυλιόμενη αρχή με εβδομαδιαίες αναδιπλώσεις. Βελτιστοποιήστε το WAPE στον κύριο επιχειρηματικό σας τομέα. Οι backtests που σέβονται τον χρόνο δεν είναι διαπραγματεύσιμες για αξιόπιστα αποτελέσματα [2].

5. Εξήγηση : ελέγχετε τις αποδόσεις των χαρακτηριστικών εβδομαδιαίως για να δείτε αν η σημαία προώθησης κάνει όντως κάτι άλλο εκτός από το να φαίνεται ωραία στις διαφάνειες.

6. Παρακολούθηση : εάν ο αντίκτυπος των προωθητικών ενεργειών εξασθενήσει ή τα μοτίβα των καθημερινών μεταβληθούν μετά από μια αλλαγή προϊόντος, ενεργοποιήστε μια επανεκπαίδευση. Η μετατόπιση δεν είναι σφάλμα - είναι Τετάρτη [5].

Το αποτέλεσμα: μια αξιόπιστη πρόβλεψη με ζώνες εμπιστοσύνης, καθώς και ένας πίνακας ελέγχου που αναφέρει τι κίνησε τη βελόνα. Λιγότερες συζητήσεις, περισσότερη δράση.

Παγίδες και μύθοι που πρέπει να αποφύγετε αθόρυβα 🚧

• Μύθος: περισσότερες λειτουργίες είναι πάντα καλύτερες. Όχι. Πάρα πολλές άσχετες λειτουργίες προκαλούν υπερπροσαρμογή. Κρατήστε ό,τι βοηθάει τον backtest και ευθυγραμμίζεται με την έννοια του τομέα.

• Μύθος: τα βαθιά δίκτυα υπερτερούν των πάντων. Μερικές φορές ναι, συχνά όχι. Εάν τα δεδομένα είναι σύντομα ή θορυβώδη, οι κλασικές μέθοδοι υπερτερούν σε σταθερότητα και διαφάνεια.

• Παγίδα: διαρροή. Αν κατά λάθος αφήσετε τις πληροφορίες του αύριο να ενσωματωθούν στη σημερινή εκπαίδευση, θα κολακεύσετε τις μετρήσεις σας και θα τιμωρήσετε την παραγωγικότητά σας [2].

• Παγίδα: το κυνήγι του τελευταίου δεκαδικού. Εάν η αλυσίδα εφοδιασμού σας είναι ανομοιογενής, το να διαφωνείτε για σφάλμα μεταξύ 7,3 και 7,4% είναι θέατρο. Εστιάστε στα όρια λήψης αποφάσεων.

• Μύθος: αιτιότητα από συσχέτιση. Τα τεστ Granger ελέγχουν την προγνωστική χρησιμότητα, όχι τη φιλοσοφική αλήθεια - τα χρησιμοποιούν ως προστατευτικά κιγκλιδώματα, όχι ως ευαγγέλιο [4].

Λίστα ελέγχου υλοποίησης που μπορείτε να αντιγράψετε και να επικολλήσετε 📋

• Ορίστε τους ορίζοντες, τα επίπεδα συγκέντρωσης και την απόφαση που θα λάβετε.

• Δημιουργήστε ένα καθαρό ευρετήριο χρόνου, συμπληρώστε ή επισημάνετε κενά και ευθυγραμμίστε εξωγενή δεδομένα.

• Καθυστερήσεις στις κατασκευές, κυλιόμενα στατιστικά, εποχιακές σημαίες και τα λίγα χαρακτηριστικά τομέα που εμπιστεύεστε.

• Ξεκινήστε με μια ισχυρή γραμμή βάσης και, στη συνέχεια, επαναλάβετε σε ένα πιο σύνθετο μοντέλο, εάν χρειάζεται.

• Χρησιμοποιήστε backtests κυλιόμενης προέλευσης με τη μέτρηση που ταιριάζει με την επιχείρησή σας [2][3].

• Προσθήκη διαστημάτων πρόβλεψης - δεν είναι προαιρετικό.

• Αποστολή, παρακολούθηση για τυχόν παρέκκλιση και επανεκπαίδευση βάσει προγράμματος και ειδοποιήσεων [5].

Πολύ μεγάλο, δεν το διάβασα - Τελικές παρατηρήσεις 💬

Η απλή αλήθεια για το πώς η Τεχνητή Νοημοσύνη προβλέπει τις τάσεις: δεν αφορά τόσο μαγικούς αλγόριθμους όσο πειθαρχημένο σχεδιασμό με επίγνωση του χρόνου. Λάβετε σωστά τα δεδομένα και τις λειτουργίες, αξιολογήστε με ειλικρίνεια, εξηγήστε απλά και προσαρμόστε τα καθώς αλλάζει η πραγματικότητα. Είναι σαν να συντονίζετε ένα ραδιόφωνο με ελαφρώς λιπαρά κουμπιά - λίγο περίεργα, μερικές φορές στατικά, αλλά όταν μπαίνει ο σταθμός, είναι εκπληκτικά καθαρός.

Αν αφαιρέσουμε ένα πράγμα: να σέβεσαι τον χρόνο, να επικυρώνεις σαν σκεπτικιστής και να παρακολουθείς συνεχώς. Τα υπόλοιπα είναι απλώς εργαλεία και γούστο.

Αναφορές

1. Γραφείο Απογραφής ΗΠΑ - Πρόγραμμα Εποχικής Προσαρμογής X-13ARIMA-SEATS . Σύνδεσμος

2. Hyndman & Athanasopoulos - Πρόβλεψη: Αρχές και Πρακτική (FPP3), §5.10 Διασταυρούμενη επικύρωση χρονοσειρών . Σύνδεσμος

3. Amazon Web Services - Αξιολόγηση της ακρίβειας των προγνωστικών (Amazon Forecast) . Σύνδεσμος

4. Πανεπιστήμιο του Χιούστον - Αιτιότητα Granger (σημειώσεις διάλεξης) . Σύνδεσμος

5. Gama et al. - Μια έρευνα για την προσαρμογή της μετατόπισης εννοιών (ανοιχτή έκδοση). Σύνδεσμος

Βρείτε την τελευταία λέξη της Τεχνητής Νοημοσύνης στο επίσημο κατάστημα βοηθών τεχνητής νοημοσύνης

Σχετικά με εμάς