لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش پیشبینی سریهای زمانی با Facebook Prophet در پایتون
- آخرین آپدیت
دانلود Time Series Forecasting with Facebook Prophet in Python
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
بهروزرسانی شده در می ۲۰۲۵.
این دوره اکنون دارای Coursera Coach است!
روشی هوشمندانهتر برای یادگیری با گفتگوهای تعاملی و لحظهای که به شما کمک میکند دانش خود را آزمایش کنید، فرضیات را به چالش بکشید و در حین پیشرفت در دوره، درک خود را عمیقتر کنید.
این دوره به شما کمک میکند تا در پیشبینی سریهای زمانی با استفاده از Facebook Prophet در پایتون استاد شوید. شما یاد خواهید گرفت که چگونه از این ابزار قدرتمند برای پیشبینیهای دقیق و تحلیل دادهها بهره ببرید. در پایان این دوره، شما در کار با دادههای سری زمانی، انجام پیشبینی و تحلیل نتایج برای اتخاذ تصمیمات آگاهانه مهارت خواهید یافت.
دوره با معرفی مفاهیم پایه سریهای زمانی و اهمیت معیارهای پیشبینی آغاز میشود. شما با مفاهیم کلیدی مانند پیشبینی ساده (Naive Forecasting)، خطوط مبنا (Baselines) و اعتبارسنجی پیشرونده (Walk-forward Validation) آشنا میشوید که برای ساخت مدلهای پیشبینی قدرتمند حیاتی هستند. درک این مبانی، مسیر را برای تکنیکهای پیشرفتهتری که در ادامه دوره بررسی خواهید کرد، هموار میکند.
در ادامه، شما به طور عمیق وارد مباحث Facebook Prophet شده و قابلیتهای کلیدی آن را میآموزید. شما نحوه آمادهسازی دادهها برای Prophet، برازش مدلها و ایجاد پیشبینیها را بررسی خواهید کرد. این دوره مفاهیم ضروری مانند افزودن تعطیلات، استفاده از رگرسورهای خارجی و انجام اعتبارسنجی متقاطع (Cross-validation) را پوشش میدهد. همچنین یاد میگیرید که چگونه نقاط تغییر (Changepoints) را شناسایی کرده و با چالشهای خاصی مانند فصلی بودن ضربی، دادههای پرت و دادههای غیرروزانه مقابله کنید.
این دوره برای تحلیلگران داده، دانشمندان داده و هر کسی که به دنبال ارتقای مهارتهای پیشبینی خود با استفاده از پایتون است، ایدهآل است. این آموزش برای افرادی که پیشزمینهای در پایتون و آمار دارند و علاقهمند به پیشبینی سریهای زمانی در سطوح مبتدی و متوسط هستند، بسیار مناسب است.
سرفصل ها و درس ها
خوشآمدگویی
Welcome
مقدمه
Introduction
سرفصلها
Outline
مبانی سریهای زمانی
Time Series Basics
مقدمهای بر بخش مبانی سریهای زمانی
Time Series Basics Section Introduction
معیارهای پیشبینی
Forecasting Metrics
پیشبینی ساده و اهمیت خطوط مبنا
The Naive Forecast and the Importance of Baselines
اعتبارسنجی پیشرونده
Walk-Forward Validation
جعبه پیشنهادات
Suggestion Box
فیسبوک پرافت
Facebook Prophet
پرافت چگونه کار میکند؟
How Does Prophet Work?
پرافت: آمادهسازی کد
Prophet: Code Preparation
پرافت در کد: آمادهسازی دادهها
Prophet in Code: Data Preparation
پرافت در کد: برازش، پیشبینی و رسم نمودار
Prophet in Code: Fit, Forecast, Plot
پرافت در کد: تعطیلات و رگرسورهای خارجی
Prophet in Code: Holidays and Exogenous Regressors
پرافت در کد: اعتبارسنجی متقاطع
Prophet in Code: Cross-Validation
پرافت در کد: شناسایی نقاط تغییر
Prophet in Code: Changepoint Detection
پرافت: فصلی بودن ضربی، دادههای پرت و دادههای غیرروزانه
Prophet: Multiplicative Seasonality, Outliers, Non-Daily Data
(خطرات) استفاده از پرافت برای پیشبینی قیمت سهام
(The Dangers of) Prophet for Stock Price Prediction
نمایش نظرات