Útmutatóhoz kapcsolódó kvíz · Közepes Szint
AI kereslet-előrejelzési kvíz
Review global forecasting, probabilistic inventory decisions, classical baselines, leakage, external signals, and foundation-model limits.
kérdés 1 -ból 8
Why can one global forecasting model help when an organization has many related series?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Why can one global forecasting model help when an organization has many related series?
- It can learn shared patterns across series while retaining series-specific inputs
- It guarantees the same forecast error for every series
- It replaces chronological validation with a random split
- It means one model is trained separately for each series
- Miért értékesek a valószínűségi (kvantilis) előrejelzések a készlettervezésben?
- Egyetlen garantált számot adnak
- Széles választékot és magabiztosságot fejeznek ki, így a tervezők biztonságos készletet állíthatnak a kockázatok ellen
- Kiküszöböli a történelmi adatok szükségességét
- Gyorsabbá teszik az előrejelzéseket
- Melyik a klasszikus statisztikai előrejelzési módszer, amely megelőzi a modern ML-megközelítéseket?
- Temporal Fusion Transformer
- DeepAR
- ARIMA
- TimesFM
- Mi az a kritikus buktató, amelyet el kell kerülni a kereslet-előrejelző képzése során?
- A naptár funkcióinak használata
- Beleértve a promóciós információkat
- Konfidenciaintervallum létrehozása
- Jövőbeli adatok kiszivárogtatása a múltbeli előrejelzések képzésébe
- Melyik külső jel javítaná a legvalószínűbben a jégkrémeladások előrejelzését?
- Napi hőmérséklet és időjárás
- Szerver üzemidő naplók
- A vezérigazgató születésnapja
- Betűtípus választás a weboldalon
- What did the cited decoder-only foundation-model paper report about its model’s zero-shot forecasts?
- It guarantees better forecasts for every business series
- On several public datasets, out-of-the-box accuracy came close to supervised models trained for each dataset
- It eliminates the need for statistical baselines
- It forecasts only with fine-tuning on each target series
- What architecture does the DeepAR paper use to produce forecasts across related time series?
- A single ARIMA model fitted separately to each series
- A static lookup table of future values
- An autoregressive recurrent network trained on many related series
- A diffusion image model that reads plotted charts
- Why evaluate a demand model against statistical baselines?
- To ensure a neural model always wins
- To make data leakage unavoidable
- To remove uncertainty from demand
- To test whether added model complexity improves the target forecast task