Вікторина, пов’язана з посібником · Середній Рівень
Вікторина щодо прогнозування попиту на AI
Ознайомтеся з глобальним прогнозуванням, імовірнісними рішеннями щодо інвентаризації, класичними базовими лініями, витоками, зовнішніми сигналами та межами базової моделі.
Питання 1 з 8
Why can one global forecasting model help when an organization has many related series?
Перегляньте кожне запитання8 запитання
Відповіді та пояснення з’являються під час виконання тесту.
- 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
- Чому імовірнісні (квантильні) прогнози є цінними для планування запасів?
- Вони дають єдине гарантоване число
- Вони виражають діапазон і впевненість, щоб планувальники могли встановити страховий запас проти ризику
- Вони усувають потребу в будь-яких історичних даних
- Завдяки їм прогнози виконуються швидше
- Який класичний метод статистичного прогнозування передує сучасним підходам машинного навчання?
- Тимчасовий термоядерний трансформатор
- DeepAR
- ARIMA
- TimesFM
- Якої критичної пастки слід уникати під час навчання спеціаліста з прогнозування попиту?
- Використання функцій календаря
- Включаючи інформацію про просування
- Вироблення довірчого інтервалу
- Витік майбутніх даних у навчання минулих прогнозів
- Який зовнішній сигнал найбільш вірогідно покращить прогноз продажів морозива?
- Денна температура і погода
- Журнали безвідмовної роботи сервера
- День народження генерального директора
- Вибір шрифту на сайті
- 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