تازگی گردآوری
تازه- آخرین مشاهده موفق
- 2026-08-15 03:30 UTC
- وضعیت گردآوری
- ok
- نسخه تجزیهگر
- web-v3
در این کانال مطالبی در راستای پروژه بین المللی علم داده و سواد آماری، جهت توسعه فرهنگ بکارگیری داده و تحلیل صحیح آن به اشتراک گذاشته می شود.
مشاهدات عمومی نمایه؛ این اعداد توسط مالک کانال ارائه نشدهاند.
تازگی نسبی · اطمینان پایین · 2 نمونه پست
دسترسی برابر است با میانه بازدید پستهای منتشرشده در ۳۰ روز گذشته تقسیم بر آخرین تعداد مشاهدهشده اعضا. خط تیره یعنی داده تاریخی کافی نیست. (channel-v1)
هفت روز اخیر
این بخش آنچه دایرکتوری واقعاً مشاهده کرده نشان میدهد و امتیاز ترکیبی اعتبار یا کیفیت تولید نمیکند.
ویرایش و حذف پست از داده تجمیعی فعلی در دسترس نیست؛ بنابراین بهجای صفر، ناموجود نمایش داده میشود.
بازه 2026-08-09 تا 2026-08-15 · ذخیره موقت ۱۵ دقیقه · channel-evidence-7d-v2
مقاله جدیدی امروز با عنوان «تبدیل کانولوشن برای کاهش ابعاد کافی در سریهای زمانی» را که در مجله ژاپنی آمار و علوم داده (https://doi.org/10.1007/s42081-026-00364-y) منتشر کردیم که در لینک زیر به صورت رایگان قابل مطالعه است.https://rdcu.be/fxyohاین مقاله در مورد مدل های پیش بینی سری زمانی است.معمولا مجموعه دادههای سری زمانی اغلب شامل مشاهدات یا تأخیرهای گذشته زیادی هستند، اما تنها تعداد کمی از ترکیبات این تأخیرها ممکن است برای درک یا پیشبینی اتفاقات بعدی مهم باشند.در این مقاله، ما یک روش جدید کاهش ابعاد کافی مبتنی بر کانولوشن را معرفی میکنیم که اطلاعات تأخیرهای با ابعاد بالا را فشرده میکند و در عین حال مرتبطترین اطلاعات در مورد رفتار آینده سری را حفظ میکند.این کاهش ابعاد می تواند مدلهای واضحتر، سریعتر و قابل اعتمادتر در زمینههایی مانند امور مالی، اقتصاد، بیمه، بهداشت عمومی و پیشبینیهای زیستمحیطی و غیره تولید کند.از دیگر نویسندگان این مقاله از دانشگاه وست فلوریدا و دانشگاه ساوترن ایلینوی صمیمانه تشکر میکنم.لینکدین:https://www.linkedin.com/groups/12424311/
