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

  • خلاصه بخش پرافت Prophet Section Summary

نمایش نظرات

آموزش پیش‌بینی سری‌های زمانی با Facebook Prophet در پایتون
جزییات دوره
3h 56m
17
(آخرین آپدیت)
248
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده