एआय ट्रेंडचा अंदाज कसा लावते?

एआय उघड्या डोळ्यांनी चुकवलेल्या नमुन्यांचा शोध घेऊ शकते, पहिल्या लालीमध्ये आवाजासारखे दिसणारे सिग्नल समोर येतात. बरोबर केले तर, ते गोंधळलेले वर्तन उपयुक्त दूरदृष्टीमध्ये बदलते - पुढच्या महिन्यात विक्री, उद्या वाहतूक, या तिमाहीच्या शेवटी मंथन. चुकीचे केले तर, हे एक आत्मविश्वासपूर्ण श्रग आहे. या मार्गदर्शकामध्ये, आपण एआय ट्रेंडचा अंदाज कसा लावतो, विजय कुठून येतो आणि सुंदर चार्ट्सद्वारे फसवणूक कशी टाळायची याचे अचूक तंत्र पाहू. मी ते व्यावहारिक ठेवेन, काही वास्तविक-बोलणारे क्षण आणि कधीकधी भुवया उंचावणारे 🙃.

या लेखानंतर तुम्हाला वाचायला आवडतील असे लेख:

🔗 एआय कामगिरी कशी मोजायची
एआय सिस्टमची अचूकता, कार्यक्षमता आणि विश्वासार्हता मूल्यांकन करण्यासाठी प्रमुख मेट्रिक्स.

🔗 एआयशी कसे बोलावे
प्रतिसाद गुणवत्ता सुधारण्यासाठी एआयशी संवाद साधण्यासाठी व्यावहारिक टिप्स.

🔗 एआय काय प्रॉम्प्टिंग करत आहे?
प्रॉम्प्ट्स एआय वर्तन आणि आउटपुटवर कसा प्रभाव पाडतात याचे स्पष्ट स्पष्टीकरण.

🔗 एआय डेटा लेबलिंग म्हणजे काय?
मशीन लर्निंग मॉडेल्सना प्रशिक्षण देण्यासाठी डेटा प्रभावीपणे लेबलिंगचा परिचय.

एआय ट्रेंड प्रेडिक्शन चांगले का बनवते ✅

जेव्हा लोक विचारतात की एआय ट्रेंड्सचा अंदाज कसा लावते, तेव्हा त्यांचा सहसा अर्थ असा असतो: ते अनिश्चित परंतु पुनरावृत्ती होणाऱ्या गोष्टीचा अंदाज कसा लावते. चांगल्या ट्रेंडच्या अंदाजात काही कंटाळवाणे पण सुंदर घटक असतात:

• संकेतासह डेटा - तुम्ही दगडापासून संत्र्याचा रस काढू शकत नाही. त्यासाठी तुम्हाला भूतकाळातील मूल्ये आणि संदर्भाची आवश्यकता असते.

• वास्तवाचे प्रतिबिंब पाडणारी वैशिष्ट्ये - ऋतू, सुट्ट्या, जाहिराती, मॅक्रो संदर्भ, अगदी हवामान. ती सर्वच नाहीत, फक्त ती जी तुमच्या हालचालींना चालना देतात.

• घड्याळाशी जुळणारे मॉडेल - वेळेची जाणीव असलेल्या पद्धती ज्या क्रम, अंतर आणि प्रवाह यांचा आदर करतात.

• डिप्लॉयमेंटचे प्रतिबिंब असलेले मूल्यांकन - तुम्ही प्रत्यक्षात कसा अंदाज लावाल याचे अनुकरण करणारे बॅकटेस्ट. डोकावून पाहणे नाही [2].

• बदलाचे निरीक्षण - जग बदलते; तुमच्या मॉडेलनेही असेच करायला हवे [5].

तो सांगाडा आहे. बाकी स्नायू, कंडरे ​​आणि थोडेसे कॅफिन आहे.

कोअर पाइपलाइन: एआय कच्च्या डेटापासून अंदाजापर्यंतच्या ट्रेंडचा अंदाज कसा लावते 🧪

1. डेटा गोळा करा आणि जुळवा.
   लक्ष्यित मालिका आणि बाह्य संकेत एकत्र आणा. सामान्य स्रोत: उत्पादन कॅटलॉग, जाहिरात खर्च, किमती, मॅक्रो निर्देशांक आणि घटना. टाइमस्टॅम्प जुळवा, गहाळ मूल्ये हाताळा, एकके प्रमाणित करा. हे काम आकर्षक नसले तरी अत्यंत महत्त्वाचे आहे.

2. इंजिनिअर वैशिष्ट्ये:
   लॅग्स, रोलिंग मीन्स, मूव्हिंग क्वान्टाइल्स, डे-ऑफ-वीक फ्लॅग्स आणि डोमेन-विशिष्ट इंडिकेटर्स तयार करा. हंगामी समायोजनासाठी, बरेच व्यावसायिक मॉडेलिंग करण्यापूर्वी मालिकेचे ट्रेंड, हंगामी आणि उर्वरित घटकांमध्ये विघटन करतात; हे कसे आणि का कार्य करते यासाठी यूएस सेन्सस ब्युरोचा X-13 प्रोग्राम हा एक प्रमाणभूत संदर्भ आहे [1].

3. एक आदर्श कुटुंब निवडा.
   तुमच्याकडे तीन मोठ्या बादल्या आहेत:

• शास्त्रीय सांख्यिकी: ARIMA, ETS, राज्य-अवकाश/कलमन. अर्थ लावता येण्याजोगा आणि जलद.

• मशीन लर्निंग: ग्रेडियंट बूस्टिंग, वेळेची जाणीव असलेल्या वैशिष्ट्यांसह यादृच्छिक जंगले. अनेक मालिकांमध्ये लवचिक.

• डीप लर्निंग: एलएसटीएम, टेम्पोरल सीएनएन, ट्रान्सफॉर्मर्स. जेव्हा तुमच्याकडे भरपूर डेटा आणि गुंतागुंतीची रचना असते तेव्हा उपयुक्त.

4. योग्यरित्या बॅकटेस्ट करा.
   टाइम सिरीज क्रॉस-व्हॅलिडेशन रोलिंग ओरिजिन वापरते, त्यामुळे तुम्ही भूतकाळाची चाचणी करत असताना भविष्यावर कधीही प्रशिक्षण देत नाही. हा प्रामाणिक अचूकता आणि आशावादी विचार यातील फरक आहे [2].

5. अंदाज, अनिश्चितता मोजणे आणि शिप करणे
   अंतरालांसह अंदाज परत करा, त्रुटींचे निरीक्षण करा आणि जग सरकत असताना पुन्हा प्रशिक्षण द्या. व्यवस्थापित सेवा सामान्यतः अचूकता मेट्रिक्स (उदा., MAPE, WAPE, MASE) आणि बॅकटेस्टिंग विंडो बॉक्सच्या बाहेर सरकवतात, ज्यामुळे प्रशासन आणि डॅशबोर्ड सोपे होतात [3].

एक छोटासा अनुभव: एका लॉन्चमध्ये, आम्ही मॉडेल्स बदलण्यापेक्षा कॅलेंडर फीचर्सवर (प्रादेशिक सुट्ट्या + प्रोमो फ्लॅग्ज) एक अतिरिक्त दिवस घालवला आणि सुरुवातीच्या टप्प्यातील चुका लक्षणीयरीत्या कमी केल्या. फीचरच्या गुणवत्तेने मॉडेलच्या नावीन्यपूर्णतेला मागे टाकले - ही एक अशी गोष्ट आहे जी तुम्हाला पुन्हा पाहायला मिळेल.

तुलना सारणी: एआयला ट्रेंडचा अंदाज लावण्यास मदत करणारी साधने 🧰

जाणूनबुजून अपूर्ण - काही मानवी वैशिष्ट्ये असलेले एक खरे टेबल.

हो, वाक्यरचना असमान आहे. हेच खरं आयुष्य आहे.

सुई प्रत्यक्षात हलवणारे वैशिष्ट्यपूर्ण अभियांत्रिकी 🧩

एआय प्रेडिक्ट ट्रेंड्स कसे करतात याचे सर्वात सोपे उपयुक्त उत्तर हे आहे: आम्ही मालिकेला एका पर्यवेक्षित शिक्षण सारणीमध्ये रूपांतरित करतो जे वेळ लक्षात ठेवते. काही वापरण्याजोग्या हालचाली:

• लॅग्स आणि विंडोज: यामध्ये y[t-1], y[t-7], y[t-28], तसेच रोलिंग मीन्स आणि स्टँडर्ड डेव्हिएशन यांचा समावेश आहे. यात संवेग आणि जडत्व दर्शवले जाते.

• ऋतूमानाचे संकेत: महिना, आठवडा, आठवड्याचा दिवस, दिवसाचा तास. फूरियर संज्ञा सुरळीत ऋतूमान वक्र देतात.

• कॅलेंडर आणि इव्हेंट्स: सुट्ट्या, नवीन उत्पादनांचे अनावरण, किंमतीतील बदल, प्रोमो. Prophet-शैलीतील सुट्ट्यांचे परिणाम हे केवळ पूर्व-निर्धारित वैशिष्ट्ये आहेत.

• विघटन: जेव्हा नमुने मजबूत असतात तेव्हा हंगामी घटक वजा करा आणि उर्वरित भाग मॉडेल करा; X-13 हे यासाठी एक चांगली चाचणी केलेली बेसलाइन आहे [1].

• बाह्य रिग्रेसर: हवामान, मॅक्रो इंडेक्स, पेजव्ह्यूज, सर्च इंटरेस्ट.

• संवादासाठी सूचना: प्रोमो_फ्लॅग × आठवड्याचा दिवस यांसारखे साधे क्रॉस. ही पद्धत थोडी अव्यवस्थित आहे, पण बऱ्याचदा उपयोगी पडते.

जर तुमच्याकडे अनेक संबंधित मालिका असतील - उदाहरणार्थ हजारो SKU - तर तुम्ही पदानुक्रमित किंवा जागतिक मॉडेल्ससह त्यांच्यामध्ये माहिती एकत्रित करू शकता. प्रत्यक्षात, वेळेची जाणीव असलेल्या वैशिष्ट्यांसह जागतिक ग्रेडियंट-बूस्ट केलेले मॉडेल बहुतेकदा त्याच्या वजनापेक्षा जास्त असते.

मॉडेल कुटुंबांची निवड: एक मैत्रीपूर्ण भांडण 🤼‍♀️

• ARIMA/ETS चे
  फायदे: समजण्यास सोपे, वेगवान, ठोस बेसलाइन. तोटे: मोठ्या प्रमाणावर प्रत्येक सिरीजचे ट्यूनिंग करणे किचकट होऊ शकते. आंशिक ऑटोकोरिलेशनमुळे क्रम उघड होण्यास मदत होऊ शकते, पण चमत्कारांची अपेक्षा करू नका.

• ग्रेडियंट बूस्टिंग
  फायदे: टॅब्युलर वैशिष्ट्ये हाताळते, मिश्र सिग्नलसाठी मजबूत, अनेक संबंधित मालिकांसह उत्तम. तोटे: तुम्ही वेळेची वैशिष्ट्ये चांगल्या प्रकारे डिझाइन केली पाहिजेत आणि कार्यकारणभावाचा आदर केला पाहिजे.

• डीप लर्निंगचे
  फायदे: नॉन-लिनिअरिटी आणि क्रॉस-सिरीज पॅटर्न्स कॅप्चर करते. तोटे: जास्त डेटा लागतो, डीबग करणे अधिक अवघड असते. जेव्हा तुमच्याकडे समृद्ध संदर्भ किंवा दीर्घ इतिहास असतो, तेव्हा ते उत्कृष्ट कामगिरी करू शकते; अन्यथा, गर्दीच्या वेळी ट्रॅफिकमध्ये धावणाऱ्या स्पोर्ट्स कारसारखे आहे.

• हायब्रीड आणि एन्सेम्बल्स.
  खरं सांगायचं तर, सीझनल बेसलाइनवर ग्रेडियंट बूस्टर लावून आणि त्याला लाईटवेट LSTM सोबत ब्लेंड करणे, ही एक सामान्य पण आवडती गोष्ट आहे. मी कबूल करेन त्यापेक्षा जास्त वेळा मी “सिंगल मॉडेल प्युरिटी”च्या (एकाच मॉडेलवर लक्ष केंद्रित करण्याच्या) विचारापासून मागे हटले आहे.

कार्यकारणभाव विरुद्ध सहसंबंध: काळजीपूर्वक हाताळा 🧭

फक्त दोन रेषा एकत्र वळतात याचा अर्थ असा नाही की एक दुसऱ्याला चालवते. ग्रेंजर कॉझॅलिटी हे तपासते की संभाव्य चालकाला जोडल्याने लक्ष्याच्या स्वतःच्या इतिहासाच्या आधारे अंदाज सुधारतो की नाही. हे रेषीय ऑटोरेग्रेसिव्ह गृहितकांनुसार अंदाजाच्या उपयुक्ततेबद्दल आहे, तात्विक कार्यकारणभावाबद्दल नाही - हा एक सूक्ष्म पण महत्त्वाचा फरक आहे [4].

उत्पादनात, तुम्हाला डोमेन ज्ञानासह अजूनही विवेकबुद्धी तपासावी लागते. उदाहरण: किरकोळ विक्रीसाठी आठवड्याच्या दिवसाचे परिणाम महत्त्वाचे असतात, परंतु जर खर्च आधीच मॉडेलमध्ये असेल तर गेल्या आठवड्यातील जाहिरात क्लिक जोडणे अनावश्यक असू शकते.

बॅकटेस्टिंग आणि मेट्रिक्स: जिथे बहुतेक त्रुटी लपतात 🔍

एआय ट्रेंड्सचा वास्तववादी अंदाज कसा लावते याचे मूल्यांकन करण्यासाठी, तुम्ही जंगलात कसे भाकित कराल त्याचे अनुकरण करा:

• रोलिंग-ओरिजिन क्रॉस-व्हॅलिडेशन: वारंवार पूर्वीच्या डेटावर प्रशिक्षित करणे आणि पुढील भागाचा अंदाज लावणे. हे वेळेच्या क्रमाचा आदर करते आणि भविष्यातील गळती रोखते [2].

• त्रुटी मेट्रिक्स: तुमच्या निर्णयांना अनुकूल असलेले निवडा. MAPE सारखे टक्के मेट्रिक्स लोकप्रिय आहेत, परंतु भारित मेट्रिक्स (WAPE) किंवा स्केल-फ्री मेट्रिक्स (MASE) बहुतेकदा पोर्टफोलिओ आणि समुच्चयांसाठी चांगले वागतात [3].

• अंदाजाचे अंतराल: केवळ एक बिंदू देऊ नका. अनिश्चितता सूचित करा. कार्यकारी अधिकाऱ्यांना अंदाजित श्रेणी क्वचितच आवडतात, पण त्यांना कमी अनपेक्षित गोष्टी आवडतात.

एक छोटीशी गोष्ट: जेव्हा आयटम शून्य असू शकतात, तेव्हा टक्केवारी मेट्रिक्स विचित्र होतात. परिपूर्ण किंवा स्केल केलेल्या त्रुटींना प्राधान्य द्या किंवा एक लहान ऑफसेट जोडा - फक्त सुसंगत रहा.

बदल घडतात: बदल ओळखणे आणि त्यांच्याशी जुळवून घेणे 🌊

बाजारपेठेत बदल, प्राधान्ये बदलतात, सेन्सर्सचे वय वाढते. संकल्पना बदल हाच उपाय आहे. तुम्ही सांख्यिकीय चाचण्या, स्लाइडिंग-विंडो त्रुटी किंवा डेटा वितरण तपासणी वापरून बदलाचे निरीक्षण करू शकता. नंतर एक धोरण निवडा: लहान प्रशिक्षण विंडो, नियतकालिक पुनर्प्रशिक्षण किंवा ऑनलाइन अपडेट होणारे अनुकूली मॉडेल. क्षेत्राचे सर्वेक्षण अनेक प्रकारचे बदल आणि अनुकूलन धोरणे दर्शविते; कोणतेही एक धोरण सर्वांसाठी योग्य नाही [5].

व्यावहारिक प्लेबुक: थेट अंदाज त्रुटीवर अलर्ट थ्रेशोल्ड सेट करा, वेळापत्रकानुसार पुन्हा प्रशिक्षण घ्या आणि फॉलबॅक बेसलाइन तयार ठेवा. आकर्षक नाही - खूप प्रभावी.

स्पष्टीकरणक्षमता: ब्लॅक बॉक्स न तोडता तो उघडणे 🔦

हितधारक विचारतात की अंदाज का वाढला. हे स्वाभाविक आहे. SHAP सैद्धांतिकदृष्ट्या आधारलेल्या पद्धतीने अंदाजाला वैशिष्ट्यांशी जोडतात, ज्यामुळे तुम्हाला हे पाहण्यास मदत होते की हंगामीपणा, किंमत किंवा प्रोमो स्थितीमुळे तो आकडा वाढला आहे का. यामुळे कार्यकारणभाव सिद्ध होणार नाही, परंतु यामुळे विश्वासार्हता आणि डीबगिंग नक्कीच सुधारते.

माझ्या स्वतःच्या चाचणीत, आठवड्याचे हंगाम आणि प्रोमो फ्लॅग्ज शॉर्ट-होरायझन रिटेल अंदाजांवर वर्चस्व गाजवतात, तर लॉन्ग-होरायझन मॅक्रो प्रॉक्सीकडे वळतात. तुमचे मायलेज आनंदाने बदलेल.

क्लाउड आणि एमएलओपीएस: डक्ट टेपशिवाय शिपिंगचा अंदाज 🚚

जर तुम्हाला व्यवस्थापित प्लॅटफॉर्म आवडत असतील तर:

• गुगल व्हर्टेक्स एआय फोरकास्ट टाइम सिरीज इंजेस्ट करण्यासाठी, ऑटोएमएल फोरकास्टिंग चालवण्यासाठी, बॅकटेस्टिंग करण्यासाठी आणि एंडपॉइंट्स तैनात करण्यासाठी एक मार्गदर्शित वर्कफ्लो देते. हे आधुनिक डेटा स्टॅकसह देखील चांगले काम करते.

• Amazon Forecast मोठ्या प्रमाणात तैनात करण्यावर लक्ष केंद्रित करते, ज्यामध्ये प्रमाणित बॅकटेस्टिंग आणि अचूकता मेट्रिक्स तुम्ही API द्वारे मिळवू शकता, जे प्रशासन आणि डॅशबोर्डमध्ये मदत करते [3].

दोन्हीपैकी कोणताही मार्ग बॉयलरप्लेट कमी करतो. फक्त एक नजर खर्चावर आणि दुसरी डेटा वंशावर ठेवा. दोन्ही डोळे पूर्णपणे अवघड आहेत पण शक्य आहेत.

एक मिनी केस वॉकथ्रू: रॉ क्लिक्सपासून ट्रेंड सिग्नलपर्यंत 🧭✨

कल्पना करा की तुम्ही फ्रीमियम अॅपसाठी दररोज साइनअपचा अंदाज लावत आहात:

1. डेटा: दररोज साइनअप मिळवणे, चॅनेलनुसार जाहिरात खर्च, साइट आउटेज आणि एक साधे प्रोमो कॅलेंडर.

2. वैशिष्ट्ये: लॅग्ज १, ७, १४; ७-दिवसांचा रोलिंग मीन; आठवड्याच्या दिवसाचे ध्वज; बायनरी प्रोमो फ्लॅग; फूरियर हंगामी संज्ञा; आणि विघटित हंगामी उर्वरित जेणेकरून मॉडेल पुनरावृत्ती न होणाऱ्या भागावर लक्ष केंद्रित करते. हंगामी विघटन ही अधिकृत आकडेवारीमध्ये एक क्लासिक चाल आहे काम-कंटाळवाणे नाव, मोठा नफा [1].

3. मॉडेल: सर्व भूगर्भांमध्ये जागतिक मॉडेल म्हणून ग्रेडियंट-बूस्टेड रिग्रेसरसह सुरुवात करा.

4. बॅकटेस्ट: साप्ताहिक फोल्डसह रोलिंग ओरिजिन. तुमच्या प्राथमिक व्यवसाय विभागात WAPE ऑप्टिमाइझ करा. विश्वासार्ह निकालांसाठी वेळेचा आदर करणारे बॅकटेस्ट अविचारी आहेत [2].

5. स्पष्ट करा: स्लाईड्समध्ये छान दिसण्याव्यतिरिक्त प्रोमो फ्लॅग खरोखर काही करत आहे का हे पाहण्यासाठी दर आठवड्याला फीचर अॅट्रिब्यूशन्स तपासा.

6. मॉनिटर: उत्पादनात बदल झाल्यानंतर प्रोमोचा प्रभाव कमी झाल्यास किंवा आठवड्याच्या दिवसांचे पॅटर्न बदलल्यास, पुन्हा प्रशिक्षण सुरू करा. ड्रिफ्ट ही त्रुटी नाही - आज बुधवार आहे [5].

आउटपुट: आत्मविश्वास बँडसह एक विश्वासार्ह अंदाज, तसेच सुई कशाने हलवली हे सांगणारा डॅशबोर्ड. कमी वादविवाद, अधिक कृती.

शांतपणे टाळण्याचे धोके आणि मिथके 🚧

• गैरसमज: अधिक वैशिष्ट्ये नेहमीच चांगली असतात. नाही. खूप जास्त असंबद्ध वैशिष्ट्ये जास्त फिटिंगला आमंत्रित करतात. बॅकटेस्टला मदत करणारी आणि डोमेन सेन्सशी जुळणारी गोष्ट ठेवा.

• गैरसमज: खोल जाळे सर्वकाही मागे टाकतात. कधीकधी हो, बहुतेकदा नाही. जर डेटा कमी किंवा गोंगाट करणारा असेल, तर शास्त्रीय पद्धती स्थिरता आणि पारदर्शकतेवर विजय मिळवतात.

• धोका: गळती. चुकून उद्याची माहिती आजच्या प्रशिक्षणात येऊ दिल्यास तुमचे मेट्रिक्स चांगले दिसतील आणि तुमच्या उत्पादनावर परिणाम होईल [2].

• धोका: शेवटच्या दशांशाचा पाठलाग करणे. जर तुमची पुरवठा साखळी गोंधळलेली असेल, तर ७.३ ते ७.४ टक्के त्रुटींमधील वाद घालणे म्हणजे नाटक आहे. निर्णय मर्यादेवर लक्ष केंद्रित करा.

• गैरसमज: सहसंबंधातून कार्यकारणभाव. ग्रेंजर चाचण्या तात्विक सत्याची नाही तर भाकित उपयुक्तता तपासतात - त्यांचा वापर रेलिंग म्हणून करा, सुवार्तेसाठी नाही [4].

कॉपी-पेस्ट करता येणारी अंमलबजावणी चेकलिस्ट 📋

• क्षितिजे, एकत्रीकरण पातळी आणि तुम्ही कोणता निर्णय घ्याल हे परिभाषित करा.

• स्वच्छ वेळ निर्देशांक तयार करा, अंतर भरा किंवा ध्वजांकित करा आणि बाह्य डेटा संरेखित करा.

• क्राफ्ट लॅग्ज, रोलिंग स्टॅट्स, हंगामी ध्वज आणि तुमचा विश्वास असलेली काही डोमेन वैशिष्ट्ये.

• एका मजबूत बेसलाइनने सुरुवात करा, नंतर गरज पडल्यास अधिक जटिल मॉडेलवर पुनरावृत्ती करा.

• तुमच्या व्यवसायाशी जुळणाऱ्या मेट्रिकसह रोलिंग-ओरिजिन बॅकटेस्ट वापरा [2][3].

• भाकित मध्यांतर जोडा - पर्यायी नाही.

• वेळापत्रकानुसार जहाज पाठवा, ड्रिफ्टसाठी मॉनिटर करा आणि पुन्हा प्रशिक्षण द्या आणि अलर्टवर [5].

खूप लांब, मी ते वाचले नाही - शेवटचे टिप्पण्या 💬

एआय ट्रेंड्सचा अंदाज कसा लावतो याबद्दलचे साधे सत्य: ते जादुई अल्गोरिदमबद्दल कमी आणि शिस्तबद्ध, वेळेचे भान असलेल्या डिझाइनबद्दल जास्त आहे. डेटा आणि वैशिष्ट्ये योग्यरित्या मिळवा, प्रामाणिकपणे मूल्यांकन करा, सोप्या पद्धतीने स्पष्ट करा आणि वास्तविकता बदलते तसे जुळवून घ्या. हे थोड्याशा चिकट नॉब्ससह रेडिओ ट्यून करण्यासारखे आहे - थोडेसे हलके, कधीकधी स्थिर, परंतु जेव्हा स्टेशन येते तेव्हा ते आश्चर्यकारकपणे स्पष्ट होते.

जर तुम्ही एक गोष्ट काढून टाकली तर: वेळेचा आदर करा, संशयीसारखे सत्यापित करा आणि निरीक्षण करत रहा. बाकी फक्त साधने आणि चव आहे.

संदर्भ

1. यूएस जनगणना ब्युरो - X-13ARIMA-SEATS हंगामी समायोजन कार्यक्रम. लिंक

2. हाइंडमन आणि अथानासोपोलोस - पूर्वानुमान: तत्त्वे आणि सराव (FPP3), §5.10 कालश्रेणी क्रॉस-व्हॅलिडेशन. लिंक

3. अमेझॉन वेब सर्व्हिसेस - प्रेडिक्टर अचूकतेचे मूल्यांकन (अमेझॉन अंदाज). लिंक

4. ह्युस्टन विद्यापीठ - ग्रेंजर कॉजॅलिटी (व्याख्यान नोट्स). लिंक

5. गामा आणि इतर - संकल्पना प्रवाह अनुकूलनावर एक सर्वेक्षण (ओपन आवृत्ती). लिंक

अधिकृत एआय असिस्टंट स्टोअरमध्ये नवीनतम एआय शोधा

आमच्याबद्दल