ترنسفورمرها چه قدر در پیش بینی Time Series موثر هستند؟ 🧐
#timeseries
#forecasting

این مقاله رو بخونیم ، ببینیم چی به چیه ...

✍️ arxiv

اسپویل برای مهندسین عجول (لینک گیت هاب) :

Tranformers Are What You Dont Need !!! 🫤

🚀 ابزار تازه ای در دنیای تایم سریز و فورکستینگ ایجاد شده، که نظر بسیاری از محققین داده رو به خودش جلب کرده. به همین دلیل کمی از قابلیت هاش رو بررسی می کنیم:

MFLES :

🔴 Multiple Seasonality Support
🔴 Conformal Prediction Intervals
🔴 Seasonality Decomposition
🔴 Parameter Optimization
و ...
🔜 Custom Exogenous Models (Coming Soon)

اما چیزی که باعث شد نظر من بهش جلب بشه و توی DLeX دربارش بنویسم، بنچ مارکی بود که نتایجش رو در تصویر مشاهده می کنید.

این بنچ مارک بر روی سناریوهایی صورت پذیرفته است که multiple seasonality در آن ها وجود داشته است.

در صورتی که تجربه ای در استفاده از MFLES دارید ، خوشحال می شیم که در IT and Binary به اشتراک بذارید. 💬

نوید داریا

#TimeSeries #Forecasting #DataScience #MachineLearning

آینده می‌تواند بر اساس تصمیماتی که ما امروز می‌گیریم تغییر کند. بنابراین این امکان بسیار خوبی است که به جای نشان دادن فقط یک اتفاق مشخص، با تصاویر مختلفی از آینده آشنا شویم:
@ai_python
حالا، فرض کنید که یک بستنی فروشی 🍦 دارید و می‌خواهید حدس بزنید تابستان آینده چند بستنی فروخته می‌شود؟

یک مدل احتمالی یا بهتر بگویم probabilistic model مثل گوی جادویی پیش بینی آینده برای اعداد است. ولی این مدل، فقط یک عدد را حدس نمی‌زند؛ به شما مجموعه‌ای از اعداد مختلف نشان می‌دهد که ممکن است درست باشند، مثلاً شاید ۱۰۰، یا ۱۵۰، یا ۲۰۰ بستنی. به این ترتیب، تو می‌توانی در مورد اتفاقات مختلفی که ممکن است بیفتد فکر کنی، مثلاً اگر تعداد زیادی بستنی بفروشی یا فقط چندتا، و برای هر دو حالت برنامه‌ریزی کنی.

کتابخانه GluonTS کار با probabilistic model ها را برای حدس زدن چیزهایی در مورد زمان، مثل تعداد بستنی‌هایی که هر ماه می‌فروشید، آسان‌تر می‌کند.

در واقع :

GluonTS streamlines the process of using probabilistic models for #timeseries data