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

  • Creating effective PowerPoint presentations Creating effective PowerPoint presentations

  • Time series forecasting with ARIMA Time-series forecasting with ARIMA

  • Hyperparameter selection for ARIMA Hyperparameter selection for ARIMA

Conclusion Conclusion

  • Predict tomorrow to prepare for the future Predict tomorrow to prepare for the future

نمایش نظرات

آموزش تحلیل و پیش‌بینی سری‌های زمانی با استفاده از ChatGPT
جزییات دوره
0h 38m
14
(آخرین آپدیت)
46,583
- از 5
دارد
دارد
دارد
Alina Zhang
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Alina Zhang Alina Zhang

دانشمند ارشد داده، نویسنده فناوری

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.