لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش تحلیل و پیشبینی سریهای زمانی با استفاده از ChatGPT
- آخرین آپدیت
دانلود Time Series Analysis and Forecasting with ChatGPT
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
یکی از ویژگیهای برجسته این دوره آموزشی این است که به هیچ دانش برنامهنویسی نیاز ندارید. اکنون میتوانید با استفاده از زبان طبیعی با GPT-4o ارتباط برقرار کنید تا دادههای سری زمانی را تحلیل، پیشبینی و بصریسازی کنید. آموزش را با مفاهیم ضروری آنچه قابل پیشبینی است شروع کرده و در اجزای دادههای سری زمانی مانند روند (Trend)، فصلی بودن (Seasonality)، چرخهها (Cycles) و نویز (Noise) عمیق شوید. یاد بگیرید که چگونه دادهها را با استفاده از روشهای جمعشونده (Additive)، ضربشونده (Multiplicative) و STL تجزیه کنید.
بیاموزید که چگونه سریهای زمانی را با نمودارهای خودهمبستگی (Autocorrelation) و خودهمبستگی جزئی (Partial Autocorrelation) تحلیل کنید، ایستایی (Stationarity) را با استفاده از آزمون ADF ارزیابی کرده و دادههای غیرایستا را متحول کنید. سپس به سراغ مدلسازی پیشبین با مدلهای ARIMA و هموارسازی نمایی (Exponential Smoothing) بروید و در تنظیم هایپرپارامترها و انتخاب مدل به مهارت برسید. در پایان این دوره، شما تجهیز خواهید شد تا فردا را پیشبینی کنید و با اطمینان برای آینده آماده شوید.
سرفصل ها و درس ها
Introduction
Introduction
Hire GPT 4o as your forecaster
Hire GPT-4o as your forecaster
Human history of forecasting
Human history of forecasting
1. Fundamentals of Time Series Forecasting
1. Fundamentals of Time Series Forecasting
Essentials of time series forecasting
Essentials of time series forecasting
Trends, seasonality, cycles, and noise components in time series data
Trends, seasonality, cycles, and noise components in time-series data
Additive decomposition, multiplicative decomposition, and STL decomposition
Additive decomposition, multiplicative decomposition, and STL decomposition
2. Time Series Analysis Techniques
2. Time Series Analysis Techniques
Transform non stationarity to stationarity using differencing
Transform non-stationarity to stationarity using differencing
Access stationarity vs. non stationarity by ADF test
Access stationarity vs. non-stationarity by ADF test
Use autocorrelation and partial autocorrelation plots for time series analysis
Use autocorrelation and partial autocorrelation plots for time series analysis
3. Predictive Modeling and Presentation
3. Predictive Modeling and Presentation
How to select the best ETS model
How to select the best ETS model
Predicting with exponential smoothing model
Predicting with exponential smoothing model
آلینا ژانگ یک دانشمند ارشد داده، نویسنده فناوری، و کارآفرین است.
آلینا یک دانشمند ارشد داده، نویسنده فناوری، و کارآفرین، تسلط خود را به عنوان یک مربی آموزش لینکدین و وبلاگ نویس فناوری هوش مصنوعی برجسته می کند. آلینا که دارای مدرک کارشناسی ارشد در علوم کامپیوتر است، ماموریت دارد از طریق هوش مصنوعی به بشریت خدمت کند. او چشم اندازی برای آینده ای مبتنی بر فناوری دارد. مهارتهای فنی و کارآفرینی گسترده او، با تجربه یک دهه او در پردازش زبان طبیعی و هوش مصنوعی مولد، انگیزه او را تقویت میکند.
نمایش نظرات