Публикации по теме 'forecasting'


Прогнозирование показателей с помощью нейронных сетей
Прогнозирование показателей с помощью нейронных сетей Зеркало, зеркало на стене, какой пользователь купит больше всего? Вам когда-нибудь приходилось прогнозировать какую-либо метрику для взаимодействия с пользователем, коэффициента конверсии или чего-то подобного, и вы задавались вопросом, как? Нет, тебе не нужны сверхспособности. Вместо этого используйте возможности нейронных сетей. Единственное, что вам нужно, это данные. Чем больше тем лучше. Позвольте мне продемонстрировать..
Прогнозирование спроса во время кризиса
Принятие более эффективных решений по планированию спроса в мире неопределенности Учитывая хрупкое состояние нашей глобальной цепочки поставок , прогнозирование того, что производить, отгружать и складировать, сегодня более важно, чем в недавнем прошлом. Обеспечение того, чтобы потребители могли найти нужные им продукты в местных продуктовых магазинах, чрезвычайно сложно, учитывая изменения в покупательском поведении, которые мы наблюдали за последние три недели: Изоляция COVID-19..
𝐃𝐞𝐞𝐩 𝐋𝐞𝐚𝐫𝐧𝐢𝐧𝐠 𝐈𝐬 𝐖𝐡𝐚𝐭 𝐘𝐨𝐮 𝐃𝐨 𝐍𝐨𝐭 𝐍𝐞𝐞𝐝
Если только у вас нет тонны достоверных данных и десятков ведущих докторов наук, работающих над прогнозированием более десяти лет, как это делают Amazon и Alibaba . Обновление за ноябрь 2022 года: в крупномасштабном исследовании, проведенном Nixtla , было подтверждено, что методы глубокого обучения не смогли превзойти простой набор эконометрических и статистических методов, что привело к увеличению стоимости в 25 000 раз (0,05 цента для ансамбля эконометрики/статистики против 11 000..
Полное введение в анализ временных рядов (с R) :: линейные процессы II
В прошлый раз мы остановились на представлении линейных процессов в терминах оператора обратного сдвига: где Psi - многочлен такой, что , и мы сказали, что это представление будет полезно позже, особенно при работе с моделями ARMA, ARIMA и SARIMA. На этот раз мы продолжим изучение некоторых важных свойств и концепций, связанных с линейными процессами. Начнем с простого, но наглядного примера! MA(p) Как вы, возможно, догадались из процесса MA (1), MA (p) - это просто..
Прогнозирование погоды из нашего прошлого — Часть 2
Когда я в последний раз покидал вас, я выбрал стек технологий и город для исследования. После многих неудачных попыток я понял, что у меня просто недостаточно данных для одного города и его окрестностей, чтобы успешно предсказывать погоду более чем на несколько часов вперед. Обладая этими знаниями, я решил, что пришло время собрать больше данных и распространить их на все Соединенные Штаты. О, и я дал своему проекту официальное название: MeteoML. Не самое умное имя, но доменное имя..
Прогнозирование временных рядов без модели (MLTF): новый непараметрический подход к прогнозированию
Прогнозирование временных рядов активно интересовало практиков в различных областях задолго до появления машинного обучения и искусственного интеллекта, и оно останется таковым для его постоянно актуальных приложений во всех аспектах нашей жизни. От составления бюджета продаж до управления запасами и прогнозирования погоды до предсказания запасов — методы прогнозирования активно используются повсюду. В области прогнозирования временных рядов доступно множество литературы, однако трудно..
Прогнозирование и сегментация пожизненной ценности страховых клиентов
Сколько клиент стоит для вашего бизнеса? Это нетривиальный вопрос, но он имеет большое значение для вашей маркетинговой стратегии, прибыльности и роста. В этой статье я рассмотрю жизненную ценность страхового клиента (CLV) , от концепции до практического применения. Какова пожизненная ценность клиента? Пожизненная ценность клиента — это основной показатель для понимания клиентов. Это прогноз того, какую ценность отношения с клиентом могут принести компании. Такой подход..