Abstracto

Aprendizaje automático 2018: conjunto de pronósticos de series temporales en estructuras complejas - Balasubramanyam Pisupati y Shanu Agrawal - Robert Bosch Engineering and Business Solutions Limited

Balasubramanyam Pisupati y Shanu Agrawal

La evaluación es fundamental para una mejor comprensión y dinámica empresarial. Cuando se realiza realmente, requiere una gran cantidad de esfuerzo y tiempo de diferentes entornos de trabajo, como esfuerzos coordinados, planes de acción, dinero, etc. También combina un montón de corazonadas de personas experimentadas y, en algunos casos, puede incitar a una medición inclinada al error si la persona es normal o no piensa en el pasado. Incluso es particularmente difícil para cualquier investigador de datos descubrir un modelo teórico que funcione mejor para todas las condiciones y en horizontes de medición total. En este artículo se examina una técnica para evaluar utilizando el modelo de paquete. El ensamblaje se realiza utilizando el error de tasa excepcional media simétrica y el error de tasa total media seleccionados del método de medición móvil. Para apoyar el modelo de prueba, se utiliza información de conflicto M3. Este método ha logrado una mejor ejecución en la predicción fuera de prueba. Este artículo no está relacionado con la gestión de un problema sólido, sino más bien con la metodología (una de muchas) para desarrollar la ventaja de los creadores y las autoridades de datos al presentar reflexiones de nivel progresivamente imperativas sobre tareas premonitorias como tratar/recuperar características, preparar modelos y construir tuberías a partir de cuadrados esenciales. La liberación pública de este marco no está resuelta en este momento, sin embargo, creo que la vista delineada a continuación puede ser útil para el marco. Para obtener una estimación del problema a resolver, primero veremos el modelo de problema espacial. Luego describiremos la descripción general de los elementos a los que accederemos en nuestro kit de herramientas y realizaremos una revisión de proceso de nivel superior. Otras secciones brindan una mirada inexorablemente crítica a cada parte del método. Una de las posibles estrategias es expresar el problema como un sistema computacional (recomendado y no cíclico), con puntos de enfoque que son pasos de manejo y bordes: condiciones. Tipos de puntos de enfoque: Proveedor de información: ingiere información en la tubería y crea un proceso oculto de resaltados Extractores de resaltados: cualquier actividad que tome una o diferentes fuentes de información como información y produzca resultados. Los más fundamentales son las tareas de matemáticas o los turnos de tiempo Modelos factuales/ML que organizan y requieren pasos de administración como transmitir estimaciones o elegir los mejores modelos para pasar a la siguiente etapa Cada avance computacional produce la información, que se procesa en un informe ordinario, desde donde es referenciada por diferentes avances si surge una ocasión de necesidad. Diagrama de preparación Con el diagrama computacional descrito, es suficiente pasar solo las características que tenemos que averiguar al motor de procesamiento, que luego distribuiría las condiciones y volvería a registrar solo los datos que faltan en el almacén. Tipos de avances computacionales. Proveedores de datos: implantan diferentes tipos de datos en el sistema. Modelos de proveedor:Al ejecutar estos grandes cuadrados y luego unirlos en estructuras de nivel progresivamente elevado, se puede representar un método avanzado de razonamiento. Cada tipo de extractor de características es una clase que ejecuta una interfaz común, se selecciona dentro de la parte en riesgo para manejar características y se hace referencia a ella desde Graph por nombre. Metadatos de características: también es invaluable mantener metadatos relacionados con las características: cuáles son los vigilantes rápidos de este componente si es un indicador futuro, tipo de incorporación, etc. Al tener estos metadatos, es inmediato para entonces encontrar todos los valores de algún componente, determinar sus estimaciones de precisión, seleccionar N mejores indicadores, procesar tramos de convicción y hacer que otro cuadrado de características se use más adelante. Respaldo para series de tiempo y naturaleza relacional de los datos Cada desarrollo computacional produce incorporaciones que se acumulan en una especie de cuadrado de características: FeatureStore. Para ayudar a la memoria de la secuencia temporal, las características se pueden documentar por tiempo y para apoyar las asociaciones, acumuladas por clave. Los cambios constantes en los gastos de inventario, por ejemplo, se registrarían por día y se agruparían por ticker (identificador de la empresa). Extractores destacados: cualquier actividad que tome una o diferentes fuentes de información como información y produzca resultados. Las más importantes son las tareas de matemáticas o los cambios de tiempo. Preparación de modelos factuales/ML y pasos de administración necesarios, como transmitir estimaciones o elegir los mejores modelos para pasar a la siguiente etapa. Cada mejora computacional produce la información, que se procesa en un informe común, desde donde se hace referencia a ella por diferentes avances si surge una ocasión de necesidad.Las tareas más importantes son las de matemáticas o los turnos de tiempo. Los modelos factuales/ML se preparan y requieren pasos de administración como transmitir estimaciones o elegir los mejores modelos para pasar a la siguiente etapa. Cada mejora computacional produce la información, que se procesa en un informe común, desde donde es referenciada por diferentes avances si surge una ocasión de necesidad.Las tareas más importantes son las de matemáticas o los turnos de tiempo. Los modelos factuales/ML se preparan y requieren pasos de administración como transmitir estimaciones o elegir los mejores modelos para pasar a la siguiente etapa. Cada mejora computacional produce la información, que se procesa en un informe común, desde donde es referenciada por diferentes avances si surge una ocasión de necesidad.

Biografía:

Balasubramanyam Pisupati trabaja actualmente en Robert Bosch Engineering Solution y Business Solution como gerente sénior del equipo de análisis de datos. Es un profesional estadístico sénior con una amplia experiencia de más de 10 años en la industria del software relacionada con el desarrollo de productos, pruebas y minería de datos.