போக்குகளை AI எவ்வாறு கணிக்கின்றது?

வெறும் கண்களால் தவறவிடப்படும் வடிவங்களை AI கண்டறிய முடியும், முதல் பார்வையில் சத்தம் போலத் தோன்றும் சிக்னல்கள் வெளிப்படுகின்றன. சரியாகச் செய்தால், அது குழப்பமான நடத்தையை பயனுள்ள தொலைநோக்குப் பார்வையாக மாற்றுகிறது - அடுத்த மாதம் விற்பனை, நாளை போக்குவரத்து, இந்த காலாண்டின் பிற்பகுதியில் மாற்றம். தவறாகச் செய்தால், அது ஒரு தன்னம்பிக்கையான தோள்பட்டை. இந்த வழிகாட்டியில், AI போக்குகளை எவ்வாறு கணிப்பது, வெற்றிகள் எங்கிருந்து வருகின்றன, அழகான விளக்கப்படங்களால் ஏமாறுவதைத் தவிர்ப்பது எப்படி என்பதற்கான சரியான இயக்கவியல்களைப் பார்ப்போம். சில உண்மையான பேச்சு தருணங்கள் மற்றும் அவ்வப்போது புருவம் உயர்த்துவதன் மூலம் நான் அதை நடைமுறைக்குக் கொண்டுவருவேன் 🙃.

இதற்குப் பிறகு நீங்கள் படிக்க விரும்பக்கூடிய கட்டுரைகள்:

🔗 AI செயல்திறனை எவ்வாறு அளவிடுவது
AI அமைப்புகளின் துல்லியம், செயல்திறன் மற்றும் நம்பகத்தன்மையை மதிப்பிடுவதற்கான முக்கிய அளவீடுகள்.

🔗 AI உடன் எப்படி பேசுவது
பதில் தரத்தை மேம்படுத்த AI உடன் தொடர்புகொள்வதற்கான நடைமுறை குறிப்புகள்.

🔗 AI தூண்டுதல் என்றால் என்ன?
தூண்டுதல்கள் AI நடத்தை மற்றும் வெளியீட்டை எவ்வாறு பாதிக்கின்றன என்பதற்கான தெளிவான விளக்கம்.

🔗 AI தரவு லேபிளிங் என்றால் என்ன?
இயந்திர கற்றல் மாதிரிகளைப் பயிற்றுவிப்பதற்காக தரவை திறம்பட லேபிளிடுவதற்கான அறிமுகம்.

நல்ல AI போக்கு கணிப்பை உருவாக்குவது எது ✅

AI எவ்வாறு போக்குகளை முன்னறிவிக்கிறது என்று மக்கள் கேட்கும்போது, ​​அவர்கள் பொதுவாக அர்த்தம்: நிச்சயமற்ற ஆனால் மீண்டும் மீண்டும் வரும் ஒன்றை அது எவ்வாறு முன்னறிவிக்கிறது. நல்ல போக்கு முன்னறிவிப்பில் சில சலிப்பான ஆனால் அழகான பொருட்கள் உள்ளன:

• சமிக்ஞையுடன் கூடிய தரவு - நீங்கள் ஒரு பாறையிலிருந்து ஆரஞ்சு சாற்றை பிழிய முடியாது. உங்களுக்கு கடந்தகால மதிப்புகள் மற்றும் சூழல் தேவை.

• யதார்த்தத்தைப் பிரதிபலிக்கும் அம்சங்கள் - பருவநிலை, விடுமுறை நாட்கள், விளம்பரங்கள், மேக்ரோ சூழல், வானிலை கூட. அவை அனைத்தும் அல்ல, உங்கள் ஊசியை நகர்த்தும் அம்சங்கள் மட்டுமே.

• கடிகாரத்திற்கு ஏற்ற மாதிரிகள் - வரிசைப்படுத்துதல், இடைவெளிகள் மற்றும் சறுக்கல் ஆகியவற்றை மதிக்கும் நேரத்தை அறிந்த முறைகள்.

• பயன்படுத்தலை பிரதிபலிக்கும் மதிப்பீடு - நீங்கள் உண்மையில் எப்படி கணிப்பீர்கள் என்பதை உருவகப்படுத்தும் பின் சோதனைகள். எட்டிப்பார்க்க வேண்டாம் [2].

• மாற்றத்தைக் கண்காணித்தல் - உலகம் மாறுகிறது; உங்கள் மாதிரியும் மாற வேண்டும் [5].

அதுதான் எலும்புக்கூடு. மீதமுள்ளவை தசை, தசைநாண்கள் மற்றும் சிறிது காஃபின்.

முக்கிய பைப்லைன்: மூல தரவுகளிலிருந்து முன்னறிவிப்பு வரை போக்குகளை AI எவ்வாறு கணிக்கிறது 🧪

1. தரவைச் சேகரித்து சீரமைக்கவும்
   இலக்குத் தொடர் மற்றும் வெளிப்புற சமிக்ஞைகளை ஒன்றாகக் கொண்டு வாருங்கள். வழக்கமான ஆதாரங்கள்: தயாரிப்பு பட்டியல்கள், விளம்பரச் செலவு, விலைகள், மேக்ரோ குறியீடுகள் மற்றும் நிகழ்வுகள். நேர முத்திரைகளை சீரமைக்கவும், விடுபட்ட மதிப்புகளைக் கையாளவும், அலகுகளை தரப்படுத்தவும். இது அழகற்றது ஆனால் முக்கியமானது.

2. பொறியாளர் அம்சங்கள்
   பின்னடைவுகள், உருளும் வழிமுறைகள், நகரும் அளவுகள், வாரத்தின் நாள் கொடிகள் மற்றும் டொமைன்-குறிப்பிட்ட குறிகாட்டிகளை உருவாக்குதல். பருவகால சரிசெய்தலுக்காக, பல பயிற்சியாளர்கள் மாதிரியாக்கத்திற்கு முன் ஒரு தொடரை போக்கு, பருவகால மற்றும் மீதமுள்ள கூறுகளாக சிதைக்கின்றனர்; அமெரிக்க மக்கள் தொகை கணக்கெடுப்பு பணியகத்தின் X-13 நிரல் இது எப்படி, ஏன் செயல்படுகிறது என்பதற்கான நியமன குறிப்பாகும் [1].

3. ஒரு மாதிரி குடும்பத்தைத் தேர்ந்தெடுங்கள்.
   உங்களிடம் மூன்று பெரிய வாளிகள் உள்ளன:

• பாரம்பரிய புள்ளிவிவரங்கள் : ARIMA, ETS, state-space/Kalman. விளக்கக்கூடியது மற்றும் விரைவானது.

• இயந்திர கற்றல் : சாய்வு அதிகரிப்பு, நேரத்தை அறிந்த அம்சங்களுடன் சீரற்ற காடுகள். பல தொடர்களில் நெகிழ்வானது.

• ஆழமான கற்றல் : LSTM, தற்காலிக CNNகள், மின்மாற்றிகள். உங்களிடம் நிறைய தரவு மற்றும் சிக்கலான அமைப்பு இருக்கும்போது பயனுள்ளதாக இருக்கும்.

4. சரியாக பின் சோதனை
   நேரத் தொடர் குறுக்கு சரிபார்ப்பு ஒரு உருளும் மூலத்தைப் பயன்படுத்துகிறது, எனவே கடந்த காலத்தை சோதிக்கும்போது நீங்கள் எதிர்காலத்தைப் பற்றி ஒருபோதும் பயிற்சி செய்ய மாட்டீர்கள். இது நேர்மையான துல்லியத்திற்கும் விருப்பமான சிந்தனைக்கும் உள்ள வித்தியாசம் [2].

5. முன்னறிவிப்பு, நிச்சயமற்ற தன்மையை அளவிடுதல் மற்றும்
   இடைவெளிகளுடன் திரும்பும் கணிப்புகளை வழங்குதல், பிழையைக் கண்காணித்தல் மற்றும் உலகம் நகர்ந்து செல்லும்போது மீண்டும் பயிற்சி அளித்தல். நிர்வகிக்கப்பட்ட சேவைகள் பொதுவாக மேற்பரப்பு துல்லிய அளவீடுகள் (எ.கா., MAPE, WAPE, MASE) மற்றும் பெட்டிக்கு வெளியே சாளரங்களை பின் சோதனை செய்தல், இது நிர்வாகம் மற்றும் டேஷ்போர்டுகளை எளிதாக்குகிறது [3].

ஒரு விரைவான போர் கதை: ஒரே வெளியீட்டில், காலண்டர் அம்சங்களில் (பிராந்திய விடுமுறை நாட்கள் + விளம்பரக் கொடிகள்) ஒரு கூடுதல் நாளைச் செலவிட்டோம், மேலும் மாடல்களை மாற்றுவதை விட ஆரம்பகால அடிவானத் தவறுகளை குறிப்பிடத்தக்க அளவில் குறைத்தோம். அம்சத் தரம் மாதிரி புதுமையை வென்றது - நீங்கள் மீண்டும் பார்க்கும் ஒரு தீம்.

ஒப்பீட்டு அட்டவணை: AI போக்குகளைக் கணிக்க உதவும் கருவிகள் 🧰

வேண்டுமென்றே அபூரணமானது - சில மனித வினோதங்களைக் கொண்ட ஒரு உண்மையான மேசை.

ஆமாம், சொற்றொடர் சீரற்றது. அதுதான் நிஜ வாழ்க்கை.

ஊசியை உண்மையில் நகர்த்தும் பொறியியல் அம்சம் 🧩

AI Predict Trends எவ்வாறு செயல்படுகிறது என்பதற்கான எளிய பயனுள்ள பதில் இதுதான்: தொடரை நேரத்தை நினைவில் கொள்ளும் மேற்பார்வையிடப்பட்ட கற்றல் அட்டவணையாக மாற்றுகிறோம். சில முக்கிய நகர்வுகள்:

• பின்னடைவுகள் & ஜன்னல்கள் : y[t-1], y[t-7], y[t-28], கூடுதலாக உருட்டல் வழிமுறைகள் மற்றும் std dev ஆகியவை அடங்கும். இது உந்தத்தையும் மந்தநிலையையும் பிடிக்கிறது.

• பருவகால சமிக்ஞைகள் : மாதம், வாரம், வாரத்தின் நாள், நாளின் மணிநேரம். ஃபோரியர் சொற்கள் மென்மையான பருவகால வளைவுகளைக் கொடுக்கின்றன.

• நாட்காட்டி & நிகழ்வுகள் : விடுமுறை நாட்கள், தயாரிப்பு வெளியீடுகள், விலை மாற்றங்கள், விளம்பரங்கள். நபி பாணி விடுமுறை விளைவுகள் என்பது முன்னோடிகளுடன் கூடிய அம்சங்கள் மட்டுமே.

• சிதைவு : ஒரு பருவகால கூறுகளைக் கழித்து, வடிவங்கள் வலுவாக இருக்கும்போது மீதமுள்ளதை மாதிரியாக்குங்கள்; X-13 இதற்கு நன்கு சோதிக்கப்பட்ட அடிப்படையாகும் [1].

• வெளிப்புற பின்னடைவுகள் : வானிலை, மேக்ரோ குறியீடுகள், பக்கக் காட்சிகள், தேடல் ஆர்வம்.

• தொடர்பு குறிப்புகள் : promo_flag × day_of_week போன்ற எளிய சிலுவை. இது மோசமானது ஆனால் பெரும்பாலும் வேலை செய்யும்.

உங்களிடம் பல தொடர்புடைய தொடர்கள் இருந்தால் - ஆயிரக்கணக்கான SKUகள் என்று வைத்துக்கொள்வோம் - படிநிலை அல்லது உலகளாவிய மாதிரிகள் மூலம் அவற்றில் தகவல்களைத் தொகுக்கலாம். நடைமுறையில், நேரத்தை அறிந்த அம்சங்களைக் கொண்ட உலகளாவிய சாய்வு-அதிகரிக்கப்பட்ட மாதிரி பெரும்பாலும் அதன் எடையை விட அதிகமாக இருக்கும்.

மாதிரி குடும்பங்களைத் தேர்ந்தெடுப்பது: ஒரு நட்பு சண்டை 🤼♀️

• ARIMA/ETS
  நன்மைகள்: புரிந்துகொள்ளக்கூடிய, வேகமான, உறுதியான அடிப்படைகள். பாதகம்: ஒவ்வொரு தொடருக்கும் ட்யூனிங் அளவில் சற்று குழப்பமாக இருக்கலாம். பகுதி தன்னியக்க தொடர்பு ஆர்டர்களை வெளிப்படுத்த உதவும், ஆனால் அற்புதங்களை எதிர்பார்க்க வேண்டாம்.

• சாய்வு பூஸ்டிங்
  நன்மை: அட்டவணை அம்சங்களைக் கையாளுகிறது, கலப்பு சமிக்ஞைகளுக்கு வலுவானது, பல தொடர்புடைய தொடர்களுடன் சிறந்தது. பாதகம்: நீங்கள் நேர அம்சங்களை நன்கு வடிவமைக்க வேண்டும் மற்றும் காரணகாரியத்தை மதிக்க வேண்டும்.

• ஆழமான கற்றல்
  நன்மை: நேரியல் அல்லாத தன்மை மற்றும் குறுக்கு-தொடர் வடிவங்களைப் பிடிக்கிறது. பாதகம்: தரவு பசி, பிழைத்திருத்தம் செய்வது கடினம். உங்களிடம் வளமான சூழல் அல்லது நீண்ட வரலாறுகள் இருக்கும்போது, ​​அது பிரகாசிக்க முடியும்; இல்லையெனில், அது அவசர நேர போக்குவரத்தில் ஒரு ஸ்போர்ட்ஸ் கார்.

• ஹைப்ரிட் & என்செம்பிள்ஸ்
  உண்மையைச் சொல்லப் போனால், கிரேடியன்ட் பூஸ்டருடன் சீசனல் பேஸ்லைனை அடுக்கி, லைட்வெயிட் LSTM உடன் கலப்பது என்பது அசாதாரணமான குற்ற உணர்வு அல்ல. நான் ஒப்புக்கொள்வதை விட பல முறை "ஒற்றை மாதிரி தூய்மை"யில் பின்வாங்கிவிட்டேன்.

காரணகாரியம் vs தொடர்பு: கவனமாக கையாளவும் 🧭

இரண்டு கோடுகள் ஒன்றாக அசைவதால் ஒன்று மற்றொன்றை இயக்குகிறது என்று அர்த்தமல்ல. கிரேன்ஜர் காரணகாரியம், ஒரு வேட்பாளர் இயக்கியைச் சேர்ப்பது அதன் சொந்த வரலாற்றைக் கருத்தில் கொண்டு, இலக்கிற்கான கணிப்பை மேம்படுத்துகிறதா என்பதை சோதிக்கிறது. இது தத்துவார்த்த காரணகாரியம் அல்ல, நேரியல் தன்னியக்க பின்னடைவு அனுமானங்களின் கீழ் முன்கணிப்பு பயனைப் பற்றியது - ஒரு நுட்பமான ஆனால் முக்கியமான வேறுபாடு [4].

தயாரிப்பில், டொமைன் அறிவைக் கொண்டு நீங்கள் இன்னும் நல்லறிவைச் சரிபார்க்கிறீர்கள். உதாரணம்: சில்லறை விற்பனைக்கு வார நாள் விளைவுகள் முக்கியம், ஆனால் செலவு ஏற்கனவே மாதிரியில் இருந்தால் கடந்த வார விளம்பர கிளிக்குகளைச் சேர்ப்பது தேவையற்றதாக இருக்கலாம்.

பின் சோதனை & அளவீடுகள்: பெரும்பாலான பிழைகள் மறைக்கப்படும் இடம் 🔍

AI போக்குகளை எவ்வாறு யதார்த்தமாக முன்னறிவிக்கிறது என்பதை மதிப்பிடுவதற்கு, நீங்கள் எவ்வாறு முன்னறிவிப்பீர்கள் என்பதைப் பின்பற்றுங்கள்:

• ரோலிங்-ஆரிஜின் குறுக்கு-சரிபார்ப்பு : முந்தைய தரவுகளில் மீண்டும் மீண்டும் பயிற்சி அளித்து அடுத்த பகுதியை கணிக்கவும். இது நேர வரிசையை மதிக்கிறது மற்றும் எதிர்கால கசிவைத் தடுக்கிறது [2].

• பிழை அளவீடுகள் : உங்கள் முடிவுகளுக்குப் பொருந்துவதைத் தேர்ந்தெடுக்கவும். MAPE போன்ற சதவீத அளவீடுகள் பிரபலமாக உள்ளன, ஆனால் எடையுள்ள அளவீடுகள் (WAPE) அல்லது அளவுகோல் இல்லாதவை (MASE) பெரும்பாலும் போர்ட்ஃபோலியோக்கள் மற்றும் திரட்டுகளுக்கு சிறப்பாகச் செயல்படும் [3].

• கணிப்பு இடைவெளிகள் : ஒரு புள்ளியை மட்டும் கொடுக்காதீர்கள். நிச்சயமற்ற தன்மையைத் தெரிவிக்கவும். நிர்வாகிகள் அரிதாகவே வரம்புகளை விரும்புகிறார்கள், ஆனால் அவர்கள் குறைவான ஆச்சரியங்களை விரும்புகிறார்கள்.

ஒரு சின்ன விஷயம்: உருப்படிகள் பூஜ்ஜியமாக இருக்கும்போது, ​​சதவீத அளவீடுகள் வித்தியாசமாகிவிடும். முழுமையான அல்லது அளவிடப்பட்ட பிழைகளை விரும்புங்கள், அல்லது ஒரு சிறிய ஆஃப்செட்டைச் சேர்க்கவும் - சீராக இருங்கள்.

சறுக்கல் நிகழ்கிறது: மாற்றத்தைக் கண்டறிந்து அதற்கு ஏற்ப மாற்றியமைத்தல் 🌊

சந்தைகள் மாற்றம், விருப்பத்தேர்வுகள் சறுக்கல், சென்சார்கள் வயது. கருத்து சறுக்கல் என்பது அனைத்தையும் பிடிக்கும். புள்ளிவிவர சோதனைகள், சறுக்கும் சாளர பிழைகள் அல்லது தரவு விநியோக சோதனைகள் மூலம் சறுக்கலை நீங்கள் கண்காணிக்கலாம். பின்னர் ஒரு உத்தியைத் தேர்வுசெய்யவும்: குறுகிய பயிற்சி சாளரங்கள், அவ்வப்போது மீண்டும் பயிற்சி செய்தல் அல்லது ஆன்லைனில் புதுப்பிக்கப்படும் தகவமைப்பு மாதிரிகள். புலத்தின் ஆய்வுகள் பல சறுக்கல் வகைகள் மற்றும் தகவமைப்பு கொள்கைகளைக் காட்டுகின்றன; எந்த ஒரு கொள்கையும் அனைவருக்கும் பொருந்தாது [5].

நடைமுறை விளையாட்டு புத்தகம்: நேரடி முன்னறிவிப்பு பிழையில் எச்சரிக்கை வரம்புகளை அமைக்கவும், ஒரு அட்டவணையில் மீண்டும் பயிற்சி செய்யவும், மேலும் ஒரு ஃபால்பேக் அடிப்படையை தயாராக வைத்திருக்கவும். கவர்ச்சியாக இல்லை - மிகவும் பயனுள்ளதாக இருக்கும்.

விளக்கக்கூடியது: கருப்புப் பெட்டியை உடைக்காமல் திறப்பது 🔦

முன்னறிவிப்பு ஏன் உயர்ந்தது என்று பங்குதாரர்கள் கேட்கிறார்கள். நியாயமானது. SHAP , கோட்பாட்டளவில் அடிப்படையான முறையில் அம்சங்களுக்கு ஒரு கணிப்பை காரணம் காட்டி, பருவநிலை, விலை அல்லது விளம்பர நிலை ஆகியவை எண்ணிக்கையைத் தள்ளிவிட்டதா என்பதைப் பார்க்க உதவுகின்றன. இது காரணத்தை நிரூபிக்காது, ஆனால் அது நம்பிக்கை மற்றும் பிழைத்திருத்தத்தை மேம்படுத்துகிறது.

என்னுடைய சொந்த சோதனையில், வாராந்திர பருவகாலம் மற்றும் விளம்பரக் கொடிகள் குறுகிய-தொலைநோக்கு சில்லறை முன்னறிவிப்புகளில் ஆதிக்கம் செலுத்துகின்றன, அதே நேரத்தில் நீண்ட-தொலைநோக்குகள் மேக்ரோ ப்ராக்ஸிகளை நோக்கி மாறுகின்றன. உங்கள் மைலேஜ் மாறுபடும் - மகிழ்ச்சிகரமானதாக இருக்கும்.

கிளவுட் & எம்எல்ஓப்ஸ்: டக்ட் டேப் இல்லாமல் ஷிப்பிங் முன்னறிவிப்புகள் 🚚

நிர்வகிக்கப்பட்ட தளங்களை நீங்கள் விரும்பினால்:

• கூகிள் வெர்டெக்ஸ் AI முன்னறிவிப்பு , நேரத் தொடரை உள்ளிழுத்தல், ஆட்டோஎம்எல் முன்னறிவிப்பை இயக்குதல், பின் சோதனை செய்தல் மற்றும் இறுதிப் புள்ளிகளைப் பயன்படுத்துதல் ஆகியவற்றுக்கான வழிகாட்டப்பட்ட பணிப்பாய்வை வழங்குகிறது. இது நவீன தரவு அடுக்கிலும் நன்றாக வேலை செய்கிறது.

• அமேசான் முன்னறிவிப்பு பெரிய அளவிலான பயன்பாட்டில் கவனம் செலுத்துகிறது, தரப்படுத்தப்பட்ட பின் சோதனை மற்றும் துல்லிய அளவீடுகளை நீங்கள் API வழியாக இழுக்கலாம், இது நிர்வாகம் மற்றும் டேஷ்போர்டுகளுக்கு உதவுகிறது [3].

இரண்டு வழிகளும் நேரத்தைக் குறைக்கின்றன. ஒரு கண் செலவுகளிலும், மற்றொரு கண் தரவு பரம்பரையிலும் வைத்திருங்கள். இரண்டு கண்கள் முற்றிலும் தந்திரமானவை ஆனால் சாத்தியமானவை.

ஒரு மினி கேஸ் வாக்த்ரூ: ரா கிளிக்குகள் முதல் டிரெண்ட் சிக்னல் வரை 🧭✨

நீங்கள் ஒரு ஃப்ரீமியம் பயன்பாட்டிற்கான தினசரி பதிவுகளை முன்னறிவிப்பதாக கற்பனை செய்து பாருங்கள்:

1. தரவு : தினசரி பதிவுகள், சேனல் வாரியாக விளம்பர செலவு, தள செயலிழப்புகள் மற்றும் ஒரு எளிய விளம்பர காலெண்டரை இழுக்கவும்.

2. அம்சங்கள் : பின்னடைவுகள் 1, 7, 14; 7-நாள் ரோலிங் சராசரி; வாரத்தின் நாள் கொடிகள்; பைனரி விளம்பரக் கொடி; ஒரு ஃபோரியர் பருவகால சொல்; மற்றும் ஒரு சிதைந்த பருவகால மீதமுள்ளவை, எனவே மாதிரி மீண்டும் மீண்டும் வராத பகுதியில் கவனம் செலுத்துகிறது. பருவகால சிதைவு என்பது அதிகாரப்பூர்வ புள்ளிவிவரங்களில் ஒரு உன்னதமான நடவடிக்கையாகும், இது வேலை-சலிப்பூட்டும் பெயர், பெரிய பலன் [1].

3. மாதிரி : அனைத்து புவியியல் பகுதிகளிலும் உலகளாவிய மாதிரியாக சாய்வு-அதிகரிக்கப்பட்ட பின்னடைவுடன் தொடங்குங்கள்.

4. பின் சோதனை : வாராந்திர மடிப்புகளுடன் ரோலிங் ஆரிஜின். உங்கள் முதன்மை வணிகப் பிரிவில் WAPE ஐ மேம்படுத்தவும். நம்பகமான முடிவுகளுக்கு நேரத்தை மதிக்கும் பின் சோதனைகள் பேரம் பேச முடியாதவை [2].

5. விளக்கவும் : ஸ்லைடுகளில் அழகாகத் தெரிவதைத் தவிர, விளம்பரக் கொடி உண்மையில் வேறு ஏதாவது செய்கிறதா என்பதைப் பார்க்க, வாரந்தோறும் அம்ச பண்புக்கூறுகளை ஆய்வு செய்யவும்.

6. கண்காணிப்பு : தயாரிப்பு மாற்றத்திற்குப் பிறகு விளம்பர தாக்கம் மங்கினால் அல்லது வார நாள் வடிவங்கள் மாறினால், மீண்டும் பயிற்சியைத் தொடங்கவும். சறுக்கல் ஒரு பிழை அல்ல - அது புதன்கிழமை [5].

முடிவு: நம்பிக்கைப் பட்டைகளுடன் கூடிய நம்பகமான முன்னறிவிப்பு, மேலும் ஊசியை நகர்த்தியது என்ன என்பதைக் கூறும் டேஷ்போர்டு. குறைவான விவாதங்கள், அதிக நடவடிக்கை.

அமைதியாகத் தவிர்க்க வேண்டிய ஆபத்துகளும் கட்டுக்கதைகளும் 🚧

• கட்டுக்கதை: அதிக அம்சங்கள் எப்போதும் சிறந்தவை. இல்லை. பொருத்தமற்ற அம்சங்கள் அதிகமாக இருந்தால், அது அதிகப்படியான பொருத்தத்தை ஏற்படுத்தும். பின் சோதனைக்கு உதவுவதையும், டொமைன் சென்ஸுடன் ஒத்துப்போவதையும் வைத்திருங்கள்.

• கட்டுக்கதை: ஆழமான வலைகள் எல்லாவற்றையும் வெல்லும். சில நேரங்களில் ஆம், பெரும்பாலும் இல்லை. தரவு குறுகியதாகவோ அல்லது சத்தமாகவோ இருந்தால், கிளாசிக்கல் முறைகள் நிலைத்தன்மை மற்றும் வெளிப்படைத்தன்மையை வெல்லும்.

• ஆபத்து: கசிவு. தற்செயலாக நாளைய தகவலை இன்றைய பயிற்சியில் அனுமதிப்பது உங்கள் அளவீடுகளைப் புகழ்ந்து, உங்கள் உற்பத்தியைத் தண்டிக்கும் [2].

• ஆபத்து: கடைசி தசமத்தைத் துரத்துதல். உங்கள் விநியோகச் சங்கிலி சீரற்றதாக இருந்தால், 7.3 முதல் 7.4 சதவிகிதம் வரை வாதிடுவது பிழையாகும். முடிவெடுக்கும் வரம்புகளில் கவனம் செலுத்துங்கள்.

• கட்டுக்கதை: தொடர்புகளிலிருந்து காரணகாரியம். கிரேன்ஜர் சோதனைகள் தத்துவ உண்மைகளை அல்ல, முன்கணிப்பு பயனை சரிபார்க்கின்றன - அவற்றை நற்செய்தியாக அல்ல, பாதுகாப்புத் தடுப்புகளாகப் பயன்படுத்துகின்றன [4].

நீங்கள் நகலெடுத்து ஒட்டக்கூடிய செயல்படுத்தல் சரிபார்ப்புப் பட்டியல் 📋

• எல்லைகள், திரட்டல் நிலைகள் மற்றும் நீங்கள் எடுக்கும் முடிவை வரையறுக்கவும்.

• ஒரு சுத்தமான நேரக் குறியீட்டை உருவாக்குங்கள், இடைவெளிகளை நிரப்புங்கள் அல்லது கொடியிடுங்கள், மற்றும் வெளிப்புறத் தரவை சீரமைக்கவும்.

• கைவினை பின்னடைவுகள், உருளும் புள்ளிவிவரங்கள், பருவகால கொடிகள் மற்றும் நீங்கள் நம்பும் சில டொமைன் அம்சங்கள்.

• ஒரு வலுவான அடித்தளத்துடன் தொடங்குங்கள், பின்னர் தேவைப்பட்டால் மிகவும் சிக்கலான மாதிரியை மீண்டும் செய்யவும்.

• உங்கள் வணிகத்துடன் பொருந்தக்கூடிய அளவீட்டைக் கொண்ட ரோலிங்-ஆரிஜின் பேக்டெஸ்ட்களைப் பயன்படுத்தவும் [2][3].

• கணிப்பு இடைவெளிகளைச் சேர்க்கவும் - விருப்பத்தேர்வு அல்ல.

• ஒரு அட்டவணைப்படியும் எச்சரிக்கைகள் மூலமாகவும் கப்பல் அனுப்புதல், நகர்வை கண்காணித்தல் மற்றும் மீண்டும் பயிற்சி செய்தல் [5].

ரொம்ப நீளமா இருக்கு, நான் படிக்கவே இல்லை - இறுதி குறிப்புகள் 💬

AI எவ்வாறு போக்குகளை முன்னறிவிக்கிறது என்பது பற்றிய எளிய உண்மை: இது மாயாஜால வழிமுறைகளைப் பற்றியது அல்ல, ஒழுக்கமான, நேரத்தை அறிந்த வடிவமைப்பைப் பற்றியது. தரவு மற்றும் அம்சங்களை சரியாகப் பெறுங்கள், நேர்மையாக மதிப்பீடு செய்யுங்கள், எளிமையாக விளக்கவும், யதார்த்தம் மாறும்போது மாற்றியமைக்கவும். இது சற்று க்ரீஸ் கைப்பிடிகளுடன் ஒரு ரேடியோவை டியூன் செய்வது போன்றது - கொஞ்சம் குழப்பமாக, சில நேரங்களில் நிலையானதாக, ஆனால் நிலையம் வரும்போது, ​​அது ஆச்சரியப்படும் விதமாக தெளிவாகிறது.

நீங்கள் ஒன்றை எடுத்துக் கொண்டால்: நேரத்தை மதிக்கவும், ஒரு சந்தேக நபரைப் போல சரிபார்க்கவும், தொடர்ந்து கண்காணிக்கவும். மீதமுள்ளவை வெறும் கருவிகள் மற்றும் சுவை.

குறிப்புகள்

1. அமெரிக்க மக்கள் தொகை கணக்கெடுப்பு பணியகம் - X-13ARIMA-SEATS பருவகால சரிசெய்தல் திட்டம் . இணைப்பு

2. ஹைண்ட்மேன் & அதனாசோபௌலோஸ் - முன்னறிவிப்பு: கொள்கைகள் மற்றும் நடைமுறை (FPP3), §5.10 நேரத் தொடர் குறுக்கு சரிபார்ப்பு . இணைப்பு

3. அமேசான் வலை சேவைகள் - முன்னறிவிப்பு துல்லியத்தை மதிப்பிடுதல் (அமேசான் முன்னறிவிப்பு) . இணைப்பு

4. ஹூஸ்டன் பல்கலைக்கழகம் - கிரேன்ஜர் காரணகாரியம் (விரிவுரை குறிப்புகள்) . இணைப்பு

5. காமா மற்றும் பலர் - கருத்துரு சறுக்கல் தழுவல் குறித்த ஒரு ஆய்வு (திறந்த பதிப்பு). இணைப்பு

அதிகாரப்பூர்வ AI உதவியாளர் கடையில் சமீபத்திய AI ஐக் கண்டறியவும்.

எங்களை பற்றி