როგორ პროგნოზირებს ხელოვნური ინტელექტი ტენდენციებს?

ხელოვნურ ინტელექტს შეუძლია შეამჩნიოს ისეთი ნიმუშები, რომლებსაც შეუიარაღებელი თვალი ვერ ამჩნევს, რაც ერთი შეხედვით ხმაურს ჰგავს. სწორად შესრულების შემთხვევაში, ის არეულ ქცევას სასარგებლო წინასწარმეტყველებად აქცევს - გაყიდვები მომავალ თვეში, ხვალ ტრაფიკი, ხოლო კვარტალში გაყიდვები. არასწორად შესრულების შემთხვევაში, ეს თავდაჯერებული მხრების აჩეჩვაა. ამ სახელმძღვანელოში ჩვენ განვიხილავთ ზუსტ მექანიზმს, თუ როგორ პროგნოზირებს ხელოვნური ინტელექტი ტენდენციებს, საიდან მოდის მოგება და როგორ ავიცილოთ თავიდან ლამაზი დიაგრამებით მოტყუება. მე პრაქტიკას შევინარჩუნებ, რამდენიმე რეალური საუბრით და წარბების აწევით 🙃.

სტატიები, რომელთა წაკითხვაც შეიძლება მოგეწონოთ ამის შემდეგ:

🔗 როგორ გავზომოთ ხელოვნური ინტელექტის მუშაობა
ხელოვნური ინტელექტის სისტემების სიზუსტის, ეფექტურობისა და სანდოობის შესაფასებლად ძირითადი მეტრიკები.

🔗 როგორ ვესაუბროთ ხელოვნურ ინტელექტს
პრაქტიკული რჩევები ხელოვნურ ინტელექტთან კომუნიკაციისთვის რეაგირების ხარისხის გასაუმჯობესებლად.

🔗 რა არის ხელოვნური ინტელექტის სტიმულირება?
ნათელი ახსნა იმისა, თუ როგორ მოქმედებს მოთხოვნები ხელოვნური ინტელექტის ქცევასა და გამომავალ შედეგებზე.

🔗 რა არის ხელოვნური ინტელექტის მონაცემთა მარკირება?
შესავალი მონაცემთა ეტიკეტირების ეფექტურობის შესახებ მანქანური სწავლების მოდელების სწავლებისთვის.

რა განაპირობებს ხელოვნური ინტელექტის ტენდენციების კარგ პროგნოზირებას ✅

როდესაც ადამიანები კითხულობენ, თუ როგორ პროგნოზირებს ხელოვნური ინტელექტი ტენდენციებს, ისინი, როგორც წესი, გულისხმობენ: როგორ პროგნოზირებს ის რაღაც გაურკვეველს, მაგრამ განმეორებადს. კარგ ტენდენციის პროგნოზირებას რამდენიმე მოსაწყენი, მაგრამ ლამაზი ინგრედიენტი აქვს:

• მონაცემები სიგნალით - ფორთოხლის წვენის გამოწურვა ქვაზე შეუძლებელია. საჭიროა წარსული მნიშვნელობები და კონტექსტი.

• მახასიათებლები, რომლებიც ასახავს რეალობას - სეზონურობა, დღესასწაულები, აქციები, მაკროკონტექსტი, თუნდაც ამინდი. არა ყველა, მხოლოდ ის, რაც თქვენს სურვილს ავლენს.

• საათთან მორგებული მოდელები - დროის შესახებ ინფორმირებული მეთოდები, რომლებიც ითვალისწინებენ თანმიმდევრობას, ხარვეზებსა და დრიფტს.

• შეფასება, რომელიც ასახავს განლაგებას - უკუტესტები, რომლებიც სიმულირებს, თუ როგორ პროგნოზირებთ სინამდვილეში. არანაირი გადახედვა [2].

• ცვლილებების მონიტორინგი - სამყარო იცვლება; თქვენი მოდელიც ასევე უნდა შეიცვალოს [5].

ეს ჩონჩხია. დანარჩენი კუნთები, მყესები და ცოტაოდენი კოფეინია.

ძირითადი მილსადენი: როგორ პროგნოზირებს ხელოვნური ინტელექტი ტენდენციებს ნედლი მონაცემებიდან პროგნოზირებამდე 🧪

1. მონაცემების შეგროვება და გასწორება.
   სამიზნე სერიებისა და ეგზოგენური სიგნალების გაერთიანება. ტიპიური წყაროები: პროდუქტის კატალოგები, სარეკლამო ხარჯები, ფასები, მაკრო ინდექსები და მოვლენები. დროის ნიშნულების გასწორება, დაკარგული მნიშვნელობების დამუშავება, ერთეულების სტანდარტიზაცია. ეს არ არის მომხიბვლელი, მაგრამ კრიტიკულად მნიშვნელოვანი.

2. ინჟინრის მახასიათებლები
   შექმენით შეფერხებები, მოძრავი საშუალოები, მოძრავი კვანტილები, კვირის დღის დროშები და დომენ-სპეციფიკური ინდიკატორები. სეზონური კორექტირებისთვის, ბევრი პრაქტიკოსი მოდელირებამდე ყოფს სერიას ტენდენციის, სეზონური და ნაშთის კომპონენტებად; აშშ-ის აღწერის ბიუროს X-13 პროგრამა წარმოადგენს კანონიკურ მითითებას იმის შესახებ, თუ როგორ და რატომ მუშაობს ეს [1].

3. აირჩიეთ სამოდელო ოჯახი.
   თქვენ გაქვთ სამი დიდი ვედრო:

• კლასიკური სტატისტიკა : ARIMA, ETS, მდგომარეობის სივრცე/კალმანი. ინტერპრეტირებადი და სწრაფი.

• მანქანური სწავლება : გრადიენტის გაძლიერება, შემთხვევითი ტყეები დროის რეგულირების ფუნქციებით. მოქნილი მრავალ სერიაში.

• ღრმა სწავლება : LSTM, დროებითი CNN-ები, ტრანსფორმერები. სასარგებლოა, როდესაც გაქვთ უამრავი მონაცემი და რთული სტრუქტურა.

4. ჯვარედინი
   ვალიდაცია იყენებს მოძრავ საწყისს, ამიტომ წარსულის ტესტირებისას არასდროს სწავლობთ მომავალზე. ეს არის განსხვავება გულწრფელ სიზუსტესა და სურვილზე ორიენტირებულ აზროვნებას შორის [2].

5. პროგნოზირება, გაურკვევლობის რაოდენობრივი განსაზღვრა და
   პროგნოზების ინტერვალებით გაგზავნა, შეცდომების მონიტორინგი და ხელახლა მომზადება მსოფლიოს ცვალებადობისას. მართული სერვისები, როგორც წესი, ავლენენ სიზუსტის მეტრიკებს (მაგ., MAPE, WAPE, MASE) და ფანჯრების უკუტესტირებას ყუთიდან ამოღებისთანავე, რაც აადვილებს მართვას და დაფებს [3].

მოკლე საომარი ისტორია: ერთ გაშვებაზე, ჩვენ დამატებითი დღე დავუთმეთ კალენდრის ფუნქციებს (რეგიონული არდადეგები + სარეკლამო დროშები) და ადრეული ჰორიზონტის შეცდომები შესამჩნევად უფრო მეტად შევამცირეთ, ვიდრე მოდელების შეცვლა. მახასიათებლების ხარისხი აჯობა მოდელის სიახლეს - თემა, რომელსაც კიდევ ერთხელ ნახავთ.

შედარების ცხრილი: ინსტრუმენტები, რომლებიც ხელოვნურ ინტელექტს ეხმარება ტენდენციების პროგნოზირებაში 🧰

განზრახ არასრულყოფილი - ნამდვილი მაგიდა რამდენიმე ადამიანური უცნაურობით.

დიახ, ფრაზირება არათანაბარია. ეს რეალური ცხოვრებაა.

ფუნქციური ინჟინერია, რომელიც რეალურად ამოძრავებს ნემსს 🧩

ხელოვნური ინტელექტით ტენდენციების პროგნოზირების უმარტივესი და სასარგებლო პასუხი ასეთია: ჩვენ სერიას ვაქცევთ ზედამხედველობითი სწავლების ცხრილად, რომელიც დროს იმახსოვრებს. რამდენიმე მნიშვნელოვანი ნაბიჯი:

• ჩამორჩენები და ფანჯრები : მოიცავს y[t-1], y[t-7], y[t-28], პლუს მოძრავი საშუალებები და სტანდარტული გადახრა. ის აღრიცხავს იმპულსს და ინერციას.

• სეზონურობის სიგნალები : თვე, კვირა, კვირის დღე, დღის საათი. ფურიეს წევრები გლუვ სეზონურ მრუდებს იძლევა.

• კალენდარი და ღონისძიებები : დღესასწაულები, პროდუქტის გამოშვება, ფასების ცვლილებები, აქციები. წინასწარმეტყველის სტილის დღესასწაულების ეფექტები უბრალოდ წინამორბედი ფუნქციებია.

• დაშლა : სეზონური კომპონენტის გამოკლება და ნაშთის მოდელირება, როდესაც ნიმუშები ძლიერია; X-13 ამისთვის კარგად შემოწმებული საბაზისო ხაზია [1].

• გარე რეგრესორები : ამინდი, მაკრო ინდექსები, გვერდის ნახვები, ძიების ინტერესი.

• ურთიერთქმედების მინიშნებები : მარტივი ჯვრები, როგორიცაა promo_flag × day_of_week. ეს არის უხარისხო, მაგრამ ხშირად მუშაობს.

თუ თქვენ გაქვთ რამდენიმე დაკავშირებული სერია - ვთქვათ, ათასობით SKU - შეგიძლიათ მათ შორის ინფორმაციის გაერთიანება იერარქიული ან გლობალური მოდელების გამოყენებით. პრაქტიკაში, გლობალური გრადიენტით გაძლიერებული მოდელი დროის გათვალისწინებით, ხშირად აღემატება თავის წონას.

სამოდელო ოჯახების არჩევა: მეგობრული ჩხუბი 🤼♀️

• ARIMA/ETS-ის
  დადებითი მხარეები: ინტერპრეტირებადი, სწრაფი, მყარი საბაზისო ხაზები. უარყოფითი მხარეები: თითოეული სერიის რეგულირება მასშტაბის თვალსაზრისით შეიძლება რთული იყოს. ნაწილობრივი ავტოკორელაცია დაგეხმარებათ თანმიმდევრობების გამოვლენაში, მაგრამ სასწაულებს ნუ ელით.

• გრადიენტის გაძლიერება.
  დადებითი მხარეები: ტაბულური მახასიათებლების მართვა, მდგრადია შერეული სიგნალების მიმართ, შესანიშნავია მრავალი დაკავშირებული სერიისთვის. უარყოფითი მხარეები: საჭიროა დროის მახასიათებლების კარგად ინჟინერია და მიზეზობრიობის პატივისცემა.

• ღრმა სწავლება.
  დადებითი მხარეები: არაწრფივობისა და ჯვარედინი სერიების ნიმუშების აღბეჭდვა. უარყოფითი მხარეები: მონაცემებზე ორიენტირებული, გამართვა უფრო რთულია. როდესაც გაქვთ მდიდარი კონტექსტი ან გრძელი ისტორია, მას შეუძლია ბრწყინვალება; წინააღმდეგ შემთხვევაში, ის სპორტული მანქანაა პიკის საათის საცობში.

• ჰიბრიდული და ანსამბლები.
  მოდით, ვიყოთ გულახდილები, სეზონური საბაზისო ხაზის გრადიენტის გამაძლიერებელთან და მსუბუქ LSTM-თან შერწყმა არც თუ ისე იშვიათია. „ერთი მოდელის სისუფთავის“ პრინციპიდან უკან არაერთხელ გადავუხვიე, ვიდრე ვაღიარებ.

მიზეზობრიობა კორელაციის წინააღმდეგ: სიფრთხილით მოეპყარით 🧭

ის ფაქტი, რომ ორი ხაზი ერთად მოძრაობს, არ ნიშნავს, რომ ერთი მეორეს განაპირობებს. გრეინჯერის მიზეზობრიობა ამოწმებს, აუმჯობესებს თუ არა კანდიდატი მამოძრავებელი ფაქტორის დამატება სამიზნის პროგნოზირებას, მისივე ისტორიის გათვალისწინებით. საქმე ეხება პროგნოზირების სარგებლიანობას წრფივი ავტორეგრესიული დაშვებების პირობებში და არა ფილოსოფიურ მიზეზობრიობას - დახვეწილ, მაგრამ მნიშვნელოვან განსხვავებას [4].

წარმოების პროცესში, თქვენ კვლავ გონივრულობის შემოწმებას დომენის ცოდნით ამოწმებთ. მაგალითად: სამუშაო დღეების ეფექტები მნიშვნელოვანია საცალო ვაჭრობისთვის, მაგრამ გასული კვირის რეკლამაზე დაწკაპუნებების დამატება შეიძლება ზედმეტი იყოს, თუ ხარჯები უკვე მოდელშია.

უკუტესტირება და მეტრიკები: სადაც შეცდომების უმეტესობა იმალება 🔍

იმის შესაფასებლად, თუ როგორ პროგნოზირებს ხელოვნური ინტელექტი ტენდენციებს რეალისტურად, მიბაძეთ იმას, თუ როგორ პროგნოზირებთ რეალურ დროში:

• მოძრავი წარმოშობის ჯვარედინი ვალიდაცია : განმეორებითი ტრენინგი ადრინდელ მონაცემებზე და შემდეგი ნაწილის პროგნოზირება. ეს იცავს დროის თანმიმდევრობას და ხელს უშლის მომავალში გაჟონვას [2].

• შეცდომის მეტრიკები : აირჩიეთ ის, რაც თქვენს გადაწყვეტილებებს შეესაბამება. პროცენტული მეტრიკები, როგორიცაა MAPE, პოპულარულია, მაგრამ შეწონილი მეტრიკები (WAPE) ან მასშტაბისგან თავისუფალი მეტრიკები (MASE) ხშირად უკეთესად მუშაობენ პორტფელებისა და აგრეგატებისთვის [3].

• პროგნოზირების ინტერვალები : ნუ მისცემთ მხოლოდ ერთ წერტილს. გაურკვევლობაზე ისაუბრეთ. ხელმძღვანელებს იშვიათად უყვართ დიაპაზონი, მაგრამ მათ ნაკლები სიურპრიზი უყვართ.

პატარა პრობლემა: როდესაც პუნქტები შეიძლება ნულის ტოლი იყოს, პროცენტული მაჩვენებლები უცნაურად იქცევა. უპირატესობა მიანიჭეთ აბსოლუტურ ან მასშტაბირებულ შეცდომებს, ან დაამატეთ მცირე კომპენსაცია - უბრალოდ იყავით თანმიმდევრული.

დრიფტი ხდება: ცვლილებების აღმოჩენა და მათთან ადაპტაცია 🌊

ბაზრების ცვლილება, პრეფერენციების ცვლილება, სენსორების დაბერება. კონცეფციის ცვლილება არის საერთო პრობლემა, როდესაც შემავალ მონაცემებსა და სამიზნე მონაცემებს შორის ურთიერთობა იცვლება. თქვენ შეგიძლიათ აკონტროლოთ ცვლილება სტატისტიკური ტესტებით, მოცურების ფანჯრის შეცდომებით ან მონაცემთა განაწილების შემოწმებით. შემდეგ აირჩიეთ სტრატეგია: უფრო მოკლე სასწავლო ფანჯრები, პერიოდული გადამზადება ან ადაპტური მოდელები, რომლებიც ონლაინ რეჟიმში განახლდება. დარგის კვლევები აჩვენებს ცვლის მრავალ ტიპს და ადაპტაციის პოლიტიკას; არცერთი ერთი პოლიტიკა არ შეესაბამება ყველას [5].

პრაქტიკული სახელმძღვანელო: დააყენეთ განგაშის ზღვრები რეალურ დროში პროგნოზის შეცდომის შემთხვევაში, გადამზადეთ გრაფიკით და შეინახეთ სარეზერვო საბაზისო ხაზი მზად. არა მომხიბვლელი, მაგრამ ძალიან ეფექტური.

ახსნა: შავი ყუთის გახსნა მისი გატეხვის გარეშე 🔦

დაინტერესებული მხარეები კითხულობენ, თუ რატომ გაიზარდა პროგნოზი. გონივრული. მოდელისგან დამოუკიდებელი ინსტრუმენტები, როგორიცაა SHAP, თეორიულად დასაბუთებულად აფასებენ პროგნოზს მახასიათებლებს, რაც დაგეხმარებათ იმის დანახვაში, სეზონურობამ, ფასმა თუ პრომო სტატუსმა გამოიწვია თუ არა რიცხვის ზრდა. ეს არ დაამტკიცებს მიზეზობრიობას, მაგრამ აუმჯობესებს ნდობას და გამართვას.

ჩემს მიერ ჩატარებული ტესტირებისას, მოკლევადიანი საცალო ვაჭრობის პროგნოზებში ყოველკვირეული სეზონურობა და სარეკლამო დროშები, როგორც წესი, დომინირებს, ხოლო გრძელვადიანი - მაკრო პროქსი ინდიკატორებისკენ. თქვენი მიღწევები სასიამოვნოდ განსხვავებული იქნება.

ღრუბელი და MLOps: მიწოდების პროგნოზები წებოვანი ლენტის გარეშე 🚚

თუ მართულ პლატფორმებს ანიჭებთ უპირატესობას:

• Google Vertex AI Forecast გთავაზობთ დროის სერიების მიღების, AutoML პროგნოზირების გაშვების, უკუტესტირებისა და საბოლოო წერტილების განლაგების სამუშაო პროცესს. ის ასევე კარგად ერწყმის თანამედროვე მონაცემთა დასტს.

• Amazon Forecast ფოკუსირებულია ფართომასშტაბიან განლაგებაზე, სტანდარტიზებული უკუტესტირებით და სიზუსტის მეტრიკებით, რომელთა მიღებაც შესაძლებელია API-ის საშუალებით, რაც ხელს უწყობს მართვასა და დაფებს [3].

ორივე გზა ამცირებს სტანდარტულ მიდგომას. უბრალოდ, ერთი თვალი დააკვირდით ხარჯებს, მეორე კი მონაცემთა ხაზს. სრულიად ორი თვალი - რთული, მაგრამ შესაძლებელი.

მინი-კაზუსის მიმოხილვა: ნედლი დაწკაპუნებიდან ტენდენციის სიგნალამდე 🧭✨

წარმოიდგინეთ, რომ ფრიმიუმ აპლიკაციის ყოველდღიურ რეგისტრაციას პროგნოზირებთ:

1. მონაცემები : ყოველდღიური გამოწერების რაოდენობა, არხების მიხედვით სარეკლამო ხარჯები, საიტის გათიშვა და მარტივი სარეკლამო კალენდარი.

2. მახასიათებლები : ჩამორჩენები 1, 7, 14; 7-დღიანი მოძრავი საშუალო; კვირის დღის დროშები; ბინარული პრომო დროშა; ფურიეს სეზონური ტერმინი; და დაშლილი სეზონური ნაშთი, ამიტომ მოდელი ფოკუსირებულია არაგანმეორებად ნაწილზე. სეზონური დაშლა ოფიციალური სტატისტიკის კლასიკური სვლაა - სამუშაო - მოსაწყენი სახელი, დიდი სარგებელი [1].

3. მოდელი : დაიწყეთ გრადიენტით გაძლიერებული რეგრესორით, როგორც გლობალური მოდელი ყველა გეოგრაფიული არეალისთვის.

4. უკუტესტირება : მოძრავი წარმოშობა ყოველკვირეული დაკეცვით. ოპტიმიზაცია გაუკეთეთ WAPE-ს თქვენს ძირითად ბიზნეს სეგმენტზე. დროის პატივისცემის მქონე უკუტესტირება არ არის გარანტირებული სანდო შედეგების მისაღებად [2].

5. ახსენით : ყოველკვირეულად შეამოწმეთ ფუნქციების ატრიბუცია, რათა ნახოთ, რეალურად აკეთებს თუ არა სარეკლამო დროშა რაიმეს, გარდა იმისა, რომ სლაიდებზე მიმზიდველად გამოიყურება.

6. მონიტორინგი : თუ პროდუქტის შეცვლის შემდეგ სარეკლამო ღონისძიების გავლენა ქრება ან სამუშაო დღეების გრაფიკი იცვლება, გადამზადდით. დრიფტი შეცდომა არ არის - ეს ოთხშაბათია [5].

შედეგი: სანდო პროგნოზი სანდოობის ზოლებით და დაფა, რომელიც აჩვენებს, თუ რამ გამოიწვია ნემსის გადატანა. ნაკლები დებატები, მეტი მოქმედება.

ხაფანგები და მითები, რომლებიც ჩუმად უნდა აიცილოთ თავიდან 🚧

• მითი: მეტი ფუნქცია ყოველთვის უკეთესია. არა. ძალიან ბევრი შეუსაბამო ფუნქცია იწვევს ზედმეტად მორგებას. შეინარჩუნეთ ის, რაც ხელს უწყობს უკუტესტირებას და შეესაბამება დომენის მნიშვნელობას.

• მითი: ღრმა ქსელები ყველაფერს აჯობებს. ზოგჯერ კი, ხშირად არა. თუ მონაცემები მოკლე ან ხმაურიანია, კლასიკური მეთოდები სტაბილურობისა და გამჭვირვალობის მხრივ იმარჯვებს.

• ხაფანგი: გაჟონვა. ხვალინდელი ინფორმაციის შემთხვევით დღევანდელ ტრენინგში ჩართვა გააუარესებს თქვენს მაჩვენებლებს და დააზარალებს თქვენს პროდუქტიულობას [2].

• ხაფანგი: ბოლო ათწილადის დევნა. თუ თქვენი მიწოდების ჯაჭვი არათანაბარია, 7.3-დან 7.4 პროცენტამდე შეცდომის არგუმენტი თეატრალური წარმოდგენის ტოლფასია. ფოკუსირდით გადაწყვეტილების მიღების ზღურბლებზე.

• მითი: მიზეზობრიობა კორელაციიდან. გრეინჯერის ტესტები ამოწმებს პროგნოზირებად სარგებლიანობას და არა ფილოსოფიურ ჭეშმარიტებას - გამოიყენეთ ისინი როგორც დამცავი ბარიერები და არა როგორც სახარება [4].

განხორციელების საკონტროლო სია, რომლის კოპირება-ჩასმაც შეგიძლიათ 📋

• განსაზღვრეთ ჰორიზონტები, აგრეგაციის დონეები და გადაწყვეტილება, რომელსაც მიიღებთ.

• შექმენით სუფთა დროის ინდექსი, შეავსეთ ან მონიშნეთ ხარვეზები და გაასწორეთ ეგზოგენური მონაცემები.

• ხელოსნობის შეფერხებები, მოძრავი სტატისტიკა, სეზონური დროშები და იმ რამდენიმე დომენის ფუნქცია, რომელსაც ენდობით.

• დაიწყეთ ძლიერი საწყისი დონით, შემდეგ კი, საჭიროების შემთხვევაში, გადადით უფრო რთულ მოდელზე.

• გამოიყენეთ მოძრავი წარმოშობის უკუტესტები იმ მეტრიკით, რომელიც თქვენს ბიზნესს შეესაბამება [2][3].

• პროგნოზირების ინტერვალების დამატება - არასავალდებულო.

• გაგზავნეთ, აკონტროლეთ დრიფტი და გადაამზადეთ გრაფიკის მიხედვით, პლუს შეტყობინებების ჩათვლით [5].

ძალიან გრძელია, არ წამიკითხავს - საბოლოო შენიშვნები 💬

მარტივი სიმართლე იმის შესახებ, თუ როგორ პროგნოზირებს ხელოვნური ინტელექტი ტენდენციებს: საქმე ნაკლებად ეხება ჯადოსნურ ალგორითმებს და უფრო მეტად დისციპლინირებულ, დროის გათვალისწინებით დიზაინს. სწორად მიიღეთ მონაცემები და ფუნქციები, შეაფასეთ გულწრფელად, ახსენით მარტივად და მოერგეთ რეალობის ცვლილებას. ეს ჰგავს რადიოს ოდნავ ცხიმიანი ღილაკებით რეგულირებას - ცოტა უხერხული, ზოგჯერ სტატიკური, მაგრამ როდესაც სადგური ირთვება, გასაკვირია, რომ ყველაფერი ნათელია.

თუ ერთ რამეს გამორიცხავთ: დროს პატივი ეცით, სკეპტიკოსივით დაამტკიცეთ და განაგრძეთ მონიტორინგი. დანარჩენი უბრალოდ ხელსაწყოები და გემოვნებაა.

ცნობები

1. აშშ-ის აღწერის ბიურო - X-13ARIMA-SEATS სეზონური კორექტირების პროგრამა . ბმული

2. ჰინდმანი და ათანასოპულოსი - პროგნოზირება: პრინციპები და პრაქტიკა (FPP3), §5.10 დროითი სერიების ჯვარედინი ვალიდაცია . ბმული

3. Amazon Web Services - პროგნოზირების სიზუსტის შეფასება (Amazon Forecast) . ბმული

4. ჰიუსტონის უნივერსიტეტი - გრეინჯერის მიზეზობრიობა (ლექციის ჩანაწერები) . ბმული

5. გამა და სხვ. - კონცეფციის დრიფტის ადაპტაციის კვლევა (ღია ვერსია). ბმული

იპოვეთ უახლესი ხელოვნური ინტელექტი ოფიციალურ ხელოვნური ინტელექტის ასისტენტების მაღაზიაში

ჩვენს შესახებ