دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: برنامه نویسی: زبان های برنامه نویسی ویرایش: نویسندگان: Hyndman R.J., Khandakar Y. سری: ناشر: سال نشر: تعداد صفحات: 0 زبان: English فرمت فایل : RAR (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 359 کیلوبایت
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
کلمات کلیدی مربوط به کتاب پیش بینی سری زمانی خودکار: بسته پیش بینی برای R + Code: کتابخانه، ادبیات کامپیوتر، ر
در صورت تبدیل فایل کتاب Automatic Time Series Forecasting: The forecast Package for R + Code به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب پیش بینی سری زمانی خودکار: بسته پیش بینی برای R + Code نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
پیشبینی خودکار تعداد زیادی سری زمانی تک متغیره اغلب در زمینههای تجاری و سایر زمینهها مورد نیاز است. ما دو الگوریتم پیشبینی خودکار را توصیف میکنیم که در بسته پیشبینی برای R پیادهسازی شدهاند. الگوریتم اول مبتنی بر مدلهای فضایی نوآوری است که زیربنای روشهای هموارسازی نمایی است. الگوریتم دوم یک الگوریتم گام به گام برای پیش بینی با مدل های ARIMA است. الگوریتم ها برای داده های فصلی و غیر فصلی قابل اجرا هستند و با استفاده از چهار سری زمان واقعی مقایسه و نشان داده شده اند. ما همچنین به طور خلاصه برخی از قابلیت های دیگر موجود در بسته پیش بینی را شرح می دهیم.
Automatic forecasts of large numbers of univariate time series are often needed in business and other contexts. We describe two automatic forecasting algorithms that have been implemented in the forecast package for R. The first is based on innovations state space models that underly exponential smoothing methods. The second is a step-wise algorithm for forecasting with ARIMA models. The algorithms are applicable to both seasonal and non-seasonal data, and are compared and illustrated using four real time series. We also briefly describe some of the other functionality available in the forecast package.