|
Guruh: 961-19 Bajardi
|
| bet | 1/4 | | Sana | 17.12.2023 | | Hajmi | 205 Kb. | | #121159 |
Bog'liq bax bek 2 TALABALAR O, davleniya, sirojiddin, PRONOUNS-1 14.11.23, 7-Mavzu.Iqtisodiyotning xalqaro integratsiyasida xorijiy investitsiyalarning o‘rni va ularning xalqaro harakatini tartibga solish, dars jadvali11111 (5), Tuproqshunoslikka kirish (Abdurahmonov) 2015, Fan kompyuter grafikasi mavzu rastrli grafika-kompy.info, китоб
Muhammad Al-Хorazmiy nomidagi Toshkent Axborot Texnologiyalari universiteti Urganch filiali
Mustaqil ish.
Guruh:961-19
Bajardi:Baxtiyorov Bekzod
Qabul qildi: Yusupova Shohida Botirboyevna.
Mavzu: Vaqt ketma-ketligini bashorat qilishda ma'lumotlar qazib olishni qo'llash.
Reja:
Vaqt ketma-ketligini bashorat qilish.
Ma'lumotlarni qazib olish.
Xulosa.
Foydalanilgan adabiyotlar.
Ko'p yillar davomida odamlar ob-havo sharoiti, iqtisodiy va siyosiy voqealar va sport natijalarini bashorat qilishgan, yaqinda bu keng ro'yxat kriptovalyutalar bilan to'ldirildi. Ko'p qirrali voqealarni bashorat qilish uchun prognozlarni ishlab chiqishning ko'plab usullari mavjud. Masalan, sezgi, ekspert xulosalari, anʼanaviy statistik maʼlumotlar bilan solishtirish uchun oʻtmishdagi natijalardan foydalanish va vaqtli qatorlarni bashorat qilish ulardan biri, ayni paytda keng koʻlamli ilovalarga ega boʻlgan eng zamonaviy va aniq prognoz turi.
Vaqt seriyalari usuli.
Vaqt seriyasi (TS) usuli ma'lum vaqt oralig'ida ma'lumot to'playdigan ma'lumotlar to'plamidir. Ushbu turni ajratib olishning maxsus usullari mavjud:
chiziqli va chiziqli bo'lmagan;
parametrik va noparametrik;
bir oʻlchovli va koʻp oʻlchovli.
Prognoz vaqtiseriyalar o'zi bilan bugungi muammolarga javob beradigan noyob imkoniyatlar to'plamini olib keladi. Modellashtirish ma'lumotlar o'zgarishining harakatlantiruvchi kuchini yaratishni o'rganishga tayanadi. Jarayon uzoq muddatli tendentsiyalar, mavsumiy ta'sirlar yoki TSga xos bo'lgan va boshqa tahlil turlarida kuzatilmaydigan tartibsiz tebranishlardan kelib chiqadi.
Mashinani oʻrganish - algoritmlar maʼlumotlardan tuzilgan va sunʼiy neyron tarmoqlar, chuqur oʻrganish, assotsiatsiya qoidalari, qarorlar daraxtlari, mustahkamlovchi oʻrganish va Bayes tarmoqlarini oʻz ichiga oluvchi kompyuter fanining boʻlimi. Turli xil algoritmlar muammolarni hal qilish variantlarini taqdim etadi va ularning har biri ma'lumotlarni kiritish, tezlik va natijalarning aniqligi bo'yicha o'z talablari va kelishuvlariga ega. Bular yakuniy bashoratlarning to‘g‘riligi bilan bir qatorda, foydalanuvchi qaysi algoritm o‘rganilayotgan vaziyat uchun eng yaxshi ishlashini hal qilganda baholanadi.
Vaqt qatorlarini bashorat qilish statistika sohasidan olingan, ammo muammolarni modellashtirishga yangi yondashuvlar beradi. Mashinani oʻrganish va vaqt seriyalari uchun asosiy muammo bir xil – avval maʼlum boʻlgan maʼlumotlar asosida yangi natijalarni bashorat qilish.
Bashoratli modelning maqsadi.
TS - bu muntazam intervallarda to'plangan ma'lumotlar nuqtalari to'plami. Ular uzoq muddatli tendentsiyani aniqlash, kelajakni bashorat qilish yoki boshqa turdagi tahlillarni amalga oshirish uchun tahlil qilinadi. TSni oddiy regressiya muammosidan farq qiladigan ikkita narsa bor:
Ular vaqtga bog'liq. Shunday qilibBu holatda chiziqli regressiya modelining kuzatishlar mustaqil ekanligi haqidagi asosiy taxmini bajarilmaydi.
O'sish yoki pasayish tendentsiyasi bilan bir qatorda, aksar TSlarda mavsumiylik, ya'ni ma'lum vaqt davriga xos bo'lgan o'zgarishlar mavjud.
Vaqt qatorlarini prognozlash modelining maqsadi talab boʻyicha aniq prognoz berishdir. Vaqt seriyasi mustaqil o'zgaruvchi va maqsadli qaram o'zgaruvchi sifatida vaqt (t) ga ega. Aksariyat hollarda prognoz ma'lum bir natijadir, masalan, uyni sotish narxi, musobaqaning sport natijasi, birjadagi savdo natijalari. Bashorat o'rtacha va o'rtacha qiymatlarni ifodalaydi va 80-95% oralig'ida ishonch darajasini ifodalovchi ishonch oralig'ini o'z ichiga oladi. Ular muntazam oraliqlarda qayd etilganda, jarayonlar vaqt seriyalari deb ataladi va ikki shaklda ifodalanadi:
koʻrsatilgan tartibni yaratuvchi vaqt indeksli bir oʻlchovli;
ikki oʻlchovli toʻplam: mustaqil oʻzgaruvchiga ega vaqt va boshqa bogʻliq oʻzgaruvchi.
Xususiyatlar yaratish amaliy mashinalarni oʻrganishdagi eng muhim va vaqt talab qiladigan vazifalardan biridir. Biroq, vaqt seriyalarini prognozlash hech bo'lmaganda an'anaviy ma'noda xususiyatlarni yaratmaydi. Bu, ayniqsa, natijani faqat keyingi qiymatni emas, balki bir necha qadam oldinda bashorat qilmoqchi bo‘lsangiz to‘g‘ri keladi.
Bu funksiyalar butunlay oʻchirilgan degani emas. Ulardan faqat quyidagi sabablarga ko'ra ehtiyotkorlik bilan foydalanish kerak:
Kelajak qanday ekanligi noma'lumqiymatlar bu funksiyalar uchun bo‘ladi.
Agar ob'ektlar oldindan aytib bo'ladigan bo'lsa va ba'zi naqshlarga ega bo'lsa, ularning har biri uchun bashoratli model yaratishingiz mumkin.
Biroq shuni yodda tutingki, prognozli qiymatlardan xususiyat sifatida foydalanish xatoni maqsadli oʻzgaruvchiga koʻpaytirishi va xatolar yoki noxolis bashoratlarga olib kelishi mumkin.
Vaqt seriyasining komponentlari.
Trend qator vaqt oʻtishi bilan koʻpaygan, kamaygan yoki doimiy darajada qolganda mavjud boʻladi, shuning uchun u funksiya sifatida qabul qilinadi. Mavsumiylik doimiy chastotada (m) takrorlanadigan davriy naqshlarni aks ettiruvchi vaqt seriyasining xususiyatiga ishora qiladi, masalan, m=12 naqsh har o‘n ikki oyda takrorlanishini bildiradi.
Mavsumiylikka oʻxshash qoʻgʻirchoq oʻzgaruvchilar ikkilik funksiya sifatida qoʻshilishi mumkin. Siz, masalan, bayramlar, maxsus tadbirlar, marketing kampaniyalarini hisobga olishingiz mumkin, bu qiymat xorijiy yoki yo'qligidan qat'i nazar. Biroq, bu o'zgaruvchilar ma'lum naqshlarga ega bo'lishi kerakligini yodda tutishingiz kerak. Biroq, kunlar sonini kelajakdagi davrlar uchun ham osongina hisoblash mumkin va vaqt seriyalari prognoziga ta'sir qiladi, ayniqsa moliyaviy sohada.
Tsikllar - bu belgilangan tezlikda sodir bo'lmaydigan fasllar. Masalan, Kanada silsilasining yillik ko'payish atributlari mavsumiy va tsiklik naqshlarni aks ettiradi. Ular muntazam ravishda takrorlanmaydi va chastota 1 (m=1) bo'lsa ham paydo bo'lishi mumkin.
Kechikib qolgan qiymatlar -o'zgaruvchining kechikish qiymatlari bashorat qiluvchilar sifatida kiritilishi mumkin. ARIMA, vektor avtoregressiyasi (VAR) yoki avtoregressiv neyron tarmoqlari (NNAR) kabi ba'zi modellar shu tarzda ishlaydi.
Qiziqarli oʻzgaruvchining komponentlari vaqt seriyalarini tahlil qilish va prognozlash, ularning xatti-harakatlari, naqshlarini tushunish va mos modelni tanlash uchun juda muhimdir.
Ma'lumotlar to'plamining atributlari.
Mashinani oʻrganish modellariga minglab, millionlab va milliardlab maʼlumotlar nuqtalarini kiritishga odatlangan boʻlishingiz mumkin, ammo vaqt seriyalari uchun bu talab qilinmaydi. Darhaqiqat, o'zgaruvchining chastotasi va turiga qarab kichik va o'rta TS bilan ishlash mumkin va bu usulning kamchiligi emas. Bundan tashqari, ushbu yondashuvning bir qator afzalliklari bor:
Bunday ma'lumotlar to'plami uy kompyuterining imkoniyatlariga mos keladi.
Ba'zi hollarda vaqt seriyalari tahlili va prognozini faqat namunadan emas, balki butun ma'lumotlar to'plamidan foydalangan holda amalga oshiring.
TS uzunligi tahlil qilinadigan grafiklarni yaratish uchun foydalidir. Bu juda muhim nuqta, chunki dasturchilar tahlil bosqichida grafikaga tayanadilar. Bu ular katta vaqt seriyalari bilan ishlamaydi degani emas, lekin dastlab ular kichikroq TS larni boshqarishi kerak.
Vaqtga bogʻliq maydonni oʻz ichiga olgan har qanday maʼlumotlar toʻplami vaqt seriyalarini tahlil qilish va prognozlashdan foydalanishi mumkin. Biroq, agar dasturchi kattaroq ma'lumotlar to'plamiga ega bo'lsa, JB (TSDB)mosroq boʻlishi mumkin.
Ushbu toʻplamlarning baʼzilari vaqt tamgʻasi, tizim jurnallari va moliyaviy maʼlumotlar bilan yozilgan voqealardan olingan. TSDB mahalliy vaqt seriyalari bilan ishlaganligi sababli, bu texnikani katta hajmdagi maʼlumotlar toʻplamiga qoʻllash uchun ajoyib imkoniyatdir.
|
| |
