태그별 기사: time-series

ML 앙상블에서 오류 다양성이 품질을 능가한다

앙상블에서 약한 모델이 강한 모델보다 MAE 8.5 vs 9.5를 보이는 이유를 알아보세요. 시계열 실험, 선택 권장사항. ML 전문가를 위한.

시계열 이상 탐지 ML

스토리지 로그의 위협 탐지를 위한 Isolation Forest, CatBoost 및 autoencoder 연구. 코드, 메트릭, 비교. 레이블링 없이 정보보안에 적용.

판매 예측: Excel에서 ML로 반 년 만에

비즈니스용 신뢰할 수 있는 판매 예측 구축 방법: backtest, TSMixer, ensemble. 오류 3.2% 감소, 최고 경영진의 신뢰 증가. DS 전문가를 위한.