Abstrait

Machine Learning 2018 : ensemble de prévisions de séries chronologiques dans une structure complexe - Balasubramanyam Pisupati et Shanu Agrawal - Robert Bosch Engineering and Business Solutions Limited

Balasubramanyam Pisupati et Shanu Agrawal

L'évaluation est essentielle pour une meilleure compréhension et dynamique des affaires. Lorsqu'elle est réellement effectuée, elle nécessite beaucoup d'efforts et de temps de la part de divers environnements de travail tels que les efforts coordonnés, les plans d'action, l'argent, etc. Elle fusionne également un ensemble d'intuitions de personnes expérimentées et, dans certains cas, elle peut provoquer des erreurs de mesure si la personne est normale ou ne pense pas au passé direct. Il est également particulièrement intéressant pour tout chercheur en données de trouver un modèle théorique qui fonctionne le mieux dans toutes les situations et dans des horizons de mesure globale. Dans cet article, une technique d'évaluation utilisant un modèle de paquet est examinée. L'assemblage est effectué à l'aide d'une erreur de taux exceptionnel moyen symétrique et d'une erreur de taux total moyen choisie dans une approche de mesure mobile. Pour soutenir le modèle de test, les données de conflit M3 sont utilisées. Cette méthode a permis une meilleure exécution des prévisions hors test. Cet article n'est pas lié à la gestion d'un problème solide, mais plutôt à la méthodologie (l'une des nombreuses) pour développer l'avantage des fabricants et des autorités de l'information en présentant des réflexions de niveau de plus en plus impératives sur des tâches prémonitoires telles que le traitement/la récupération des fonctionnalités, la préparation des modèles et la construction de pipelines à partir de carrés essentiels. La publication ouverte de cette structure n'est pas réglée pour le moment, mais je pense que la vue décrite ci-dessous peut être utile au système. Pour obtenir une estimation du problème à résoudre, nous examinerons d'abord le modèle de problème spatial. Ensuite, nous décrirons la révision des éléments pour accéder à notre boîte à outils et procéder à un examen approfondi du processus. D'autres régions donnent un regard critique constant sur chaque élément de la méthodologie. L'une des stratégies possibles consiste à exprimer le problème sous forme de système de calcul (motivé et non cyclique), les points centraux étant les étapes de traitement et les limites - les conditions. Types de points focaux : Fournisseur d'informations : ingère les informations dans le pipeline et crée un processus caché de points forts. Extracteurs de points forts : toutes les activités qui prennent une ou plusieurs sources d'informations comme données et génèrent des résultats. Les plus fondamentales sont les tâches mathématiques ou les décalages temporels. Organisation des modèles factuels/ML et étapes de gestion des besoins telles que la transmission d'estimations ou la sélection des meilleurs modèles à utiliser dans l'étape suivante. Chaque avancée informatique génère les informations, qui sont traitées dans un rapport standard, d'où elles sont référencées par d'autres avancées en cas de besoin. Préparation du diagramme Une fois le diagramme informatique décrit, il suffit de transmettre uniquement les fonctions que nous devons comprendre au moteur de traitement, qui répartirait ensuite les conditions et réenregistrerait uniquement les données manquantes dans le coffre-fort. Types d'avancées informatiques. Fournisseurs de données : implanter différents types de données dans le système. Modèles de fournisseurs :En exécutant de tels carrés majeurs et en les joignant plus tard à des structures de niveau progressivement plus élevées, une méthode de raisonnement avancée peut être décrite. Chaque type d'extracteur de fonctionnalités est une classe qui exécute une interface commune, est sélectionnée dans la partie à risque pour gérer les fonctionnalités et référencée à partir du graphique par son nom. Métadonnées des fonctionnalités : il est également inestimable de conserver les métadonnées liées aux fonctionnalités - quels sont les observateurs rapides de ce composant s'il s'agit d'une jauge future, incorporer le type, etc. Avec ces métadonnées, il est alors immédiat de trouver toutes les estimations d'un composant, de déterminer leurs estimations de précision, de sélectionner N meilleures jauges, de traiter les étirements de conviction et de créer un autre carré de fonctionnalités à utiliser ultérieurement. Prise en charge des séries temporelles et de la nature relationnelle des données Chaque développement informatique produit des incorporations qui sont accumulées dans un type de carré de fonctionnalités - FeatureStore. Pour aider à la gestion du cycle temporel - les fonctionnalités peuvent être enregistrées par le temps et pour aider aux associations - accumulées par la clé. Les variations de la valeur boursière, par exemple, seraient enregistrées par jour et regroupées par ticker (identifiant de la société). Extracteurs de points forts : toute activité qui prend une ou plusieurs sources d'informations comme informations et génère des résultats. Les plus importantes sont les tâches mathématiques ou les décalages temporels. Préparation de modèles factuels/ML et étapes administratives souhaitées telles que la transmission d'estimations ou la sélection des meilleurs modèles à utiliser dans l'étape suivante. Chaque amélioration informatique génère les informations, qui sont traitées dans un rapport commun, d'où elles sont référencées par différentes avancées en cas de besoin.Les tâches les plus importantes sont les tâches mathématiques ou les décalages horaires. Préparation des modèles factuels/ML et étapes administratives souhaitées telles que la transmission d'estimations ou le choix des meilleurs modèles pour passer à l'étape suivante. Chaque amélioration informatique génère les informations, qui sont traitées dans un rapport commun, d'où elles sont référencées par différentes avancées en cas de besoin.Les tâches les plus importantes sont les tâches mathématiques ou les décalages horaires. Préparation des modèles factuels/ML et étapes administratives souhaitées telles que la transmission d'estimations ou le choix des meilleurs modèles pour passer à l'étape suivante. Chaque amélioration informatique génère les informations, qui sont traitées dans un rapport commun, d'où elles sont référencées par différentes avancées en cas de besoin.

Biographie:

Balasubramanyam Pisupati travaille actuellement chez Robert Bosch Engineering Solution et Business Solution en tant que Senior Manager dans l'équipe Data Analytics. Il est un statisticien chevronné possédant une riche expérience de plus de 10 ans dans l'industrie du logiciel liée au développement de produits, aux tests et à l'exploration de données.