Gids-gekoppelde quiz · Middelmatig Niveau
Quiz voor vraagvoorspelling van AI
Beoordeel mondiale prognoses, probabilistische inventarisbeslissingen, klassieke basislijnen, lekkage, externe signalen en limieten van funderingsmodellen.
Vraag 1 van 8
Why can one global forecasting model help when an organization has many related series?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- 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
- Waarom zijn probabilistische (kwantiel) voorspellingen waardevol voor voorraadplanning?
- Ze geven één gegarandeerd aantal
- Ze drukken een bereik en vertrouwen uit, zodat planners een veiligheidsvoorraad tegen risico's kunnen instellen
- Ze elimineren de noodzaak van historische gegevens
- Ze zorgen ervoor dat voorspellingen sneller worden uitgevoerd
- Wat is een klassieke statistische voorspellingsmethode die dateert van vóór de moderne ML-benaderingen?
- Tijdelijke fusietransformator
- DiepAR
- ARIMA
- TijdenFM
- Wat is een cruciale valkuil die je moet vermijden bij het trainen van een vraagvoorspeller?
- Agendafuncties gebruiken
- Inclusief promotie-informatie
- Het produceren van een betrouwbaarheidsinterval
- Toekomstige gegevens lekken in de training van voorspellingen uit het verleden
- Welk extern signaal zou op plausibele wijze een voorspelling voor de ijsverkoop verbeteren?
- Dagelijkse temperatuur en weer
- Logboeken van server-uptime
- De verjaardag van de CEO
- Lettertypekeuzes op de website
- 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