تجزیه و تحلیل سری زمانی: پروژه های عملی و تکنیک های پیشرفته

Time Series Analysis:Hands-On Projects & Advanced Techniques

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: سری‌های زمانی عملی با پایتون: دسترسی، دستکاری، تجسم داده‌ها، تکنیک‌های پیشرفته ساخت پروژه‌ها وارد کردن و پاک کردن داده‌های سری زمانی. محاسبه آمار سری زمانی رایج تجسم سری های زمانی ایجاد کنید. ساخت مدل های سری زمانی پیش بینی داده های سری زمانی دسترسی، دستکاری، تجسم داده ها. ساخت پروژه ها پیش نیازها: نیازی به دانش قبلی نیست. بنابراین چه در پایتون تازه کار باشید و چه تجربه برنامه نویسی داشته باشید. کامپیوتر و اینترنت. هر چیز دیگری که برای یادگیری تجزیه و تحلیل داده های سری زمانی پایتون نیاز دارید در این دوره آموزشی موجود است. چاقی برای یادگیری تکنیک های پیشرفته.

تحلیل سری‌های زمانی بر داده‌های جمع‌آوری‌شده در طول زمان تمرکز می‌کند، مانند قیمت سهام، الگوهای آب و هوا، یا خوانش حسگر. روندها، الگوها و روابط پنهان در این داده ها را نشان می دهد. با درک این الگوها، می‌توانیم ارزش‌های آینده را پیش‌بینی کنیم، تصمیمات آگاهانه بگیریم و بینش‌هایی در مورد پدیده‌های پیچیده به دست آوریم. تجزیه و تحلیل سری های زمانی یک ابزار قدرتمند برای زمینه های مختلف از جمله مالی، اقتصاد، مراقبت های بهداشتی و علوم محیطی است.

این دوره به شما یاد می دهد که چگونه از پایتون برای تجزیه و تحلیل داده های سری زمانی استفاده کنید. شما یاد خواهید گرفت که چگونه:

  • داده‌های سری زمانی را وارد و پاک کنید.

  • محاسبه آمار سری زمانی رایج.

  • تجسم های سری زمانی ایجاد کنید.

  • ساخت مدل‌های سری زمانی.

  • پیش‌بینی داده‌های سری زمانی.

  • دسترسی، دستکاری، تجسم داده ها.

  • تکنیک های پیشرفته را مسلط کنید.

  • ساخت پروژه ها.

چه در پایتون تازه کار باشید و چه تجربه برنامه نویسی داشته باشید، این دوره شما را به دنیای تحلیل سری های زمانی خوش آمد می گوید. هیچ دانش قبلی لازم نیست، زیرا ما از اصول اولیه شروع می کنیم و به تدریج تکنیک های پیشرفته را با استفاده از Python معرفی می کنیم.


این دوره برای چه کسانی است:

  • برنامه نویسان مبتدی و متوسط ​​پایتون.

  • تحلیلگران داده.

  • دانشمندان داده.

  • تحلیلگران تجاری.

  • هر کسی که می خواهد نحوه تجزیه و تحلیل داده های سری زمانی را بیاموزد.

  • مهندسین AI.

  • تحلیلگران مالی.

الزامات:

  • دانش قبلی لازم نیست. بنابراین چه در پایتون تازه کار باشید و چه تجربه برنامه نویسی داشته باشید.

  • یک رایانه با پایتون نصب شده است.

  • خوشحال برای یادگیری تکنیک های پیشرفته.


سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه Introduction

  • میانبرهای Jupyter Jupyter Shortcuts

  • آشنایی با انواع داده ها و ساختارها در پایتون Understanding Data Types and Structures in Python.

  • آشنایی با ساختار داده پایتون. Understanding Python Data Structure Wrap up.

تجدید کننده پایتون Python Refresher

  • توابع رشته در پایتون قسمت 1 String Functions in Python Part 1

  • توابع رشته در پایتون قسمت 2 String Functions in Python Part 2

  • توابع رشته در پایتون قسمت 3 String Functions in Python Part 3

  • توابع رشته در پایتون قسمت 4 String Functions in Python Part 4

  • توابع رشته در پایتون قسمت 5 String Functions in Python Part 5

  • لیست ها Lists.

  • تاپل ها. Tuples.

  • مجموعه ها Sets.

  • لغت نامه ها Dictionaries.

  • کنترل جریان IF. Control Flow IF.

  • برای حلقه قسمت 1. For Loop Part 1.

  • برای حلقه قسمت 2. For Loop Part 2.

  • while Loop قسمت 1. While Loop Part 1.

  • while Loop قسمت 2. While Loop Part 2.

  • در حالی که حلقه بهترین شیوه. While Loop Best Practices.

  • مقدمه ای بر توابع در پایتون Introduction to Functions in Python.

  • توابع در پایتون و آرگومنت ها Functions in Python and Arguments.

  • نکات و ترفندهای عملکرد: بازگشت. Function Tips & Tricks: Recursion.

  • نکات و ترفندهای عملکرد: توابع دکوراتورها و عملکردهای مرتبه بالاتر. Function Tips & Tricks: Functions Decorators and Higher Order Functions.

  • نکات و ترفندهای توابع: توابع لامبدا. Functions Tips & Tricks: Lambda Functions.

  • نکات و ترفندهای عملکرد: ذخیره توابع و یادداشت کردن. Function Tips & Tricks: Functions Caching & Memoization.

  • مدیریت خطا در پایتون Error Handling in Python.

  • فایل ها و ماژول ها در پایتون Files and Modules in Python.

برنامه نویسی شی گرا (OOP) در Python Refresher. Object Oriented Programming (OOP) In Python Refresher.

  • ایجاد کلاس ساده Creating Simple Class.

  • نمای کلی سازنده. Overviewing Constructor.

  • آموزش نحوه ایجاد متدهای Dunder؟ Learning How to creating Dunder Methods?

  • یادگیری در مورد وراثت Learning about Inheritance.

  • دانستن کپسولاسیون چیست؟ Knowing What is the Encapsulation?

  • همچنین یادگیری در مورد وراثت چندگانه. Learning also about Multiple Inheritance.

  • دانستن اینکه اصل چیست؟ Knowing What is the Overriding?

  • آشنایی با دکوراتورها Learning about Decorators.

  • آموزش نحوه استفاده از دکوراتورهای داخلی؟ Learning How to use Build-in Decorators?

پروژه 1: پاندای پایتون + PostgreSQL Project 1: Python Pandas + PostgreSQL

  • دانلود و نصب PostgreSQL. PostgreSQL Downloading & Installing.

  • ایجاد پایگاه داده Create Database.

  • بازیابی پایگاه داده Restore Database.

  • استفاده از CMD و Python pip.PyPi برای نصب Jupyter Lab & Pandas. Using CMD & Python pip.PyPi to Install Jupyter Lab & Pandas.

  • با استفاده از PostgreSQL یک فایل CSV ایجاد کنید Create a CSV File Using PostgreSQL

  • Fetchmany و Fetchall Fetchmany and Fetchall

  • اجرای پرس و جوی SQL با استفاده از ماژول Python Panadas. Runnig SQL Query Using Python Panadas Module.

  • استفاده از بسته Python Pandas برای بارگیری PostgreSQL فایل خروجی داده. Using Python Pandas Package to load PostgreSQL the Data Output file.

  • بررسی اجمالی فرآیند تجزیه و تحلیل داده ها. Data Analysis Process Overview.

  • روش پانداها Pandas Methods.

  • تجسم داده های پانداها Pandas data visualization.

  • تجزیه و تحلیل داده پانداها Pandas Data Analysis.

  • خطای نمونه گیری Sampling Error.

پروژه 2: وب را خراش دهید و داده ها را در یک پایگاه داده ذخیره کنید. Project 2: Scrape the Web & Saving Data to a Database.

  • چگونه یک وب سایت را خراش دهیم؟؟؟ How to Scrape a website???

  • با استفاده از پانداها و ماژول های LXML پایتون، یک جدول را در یک صفحه وب خراش دهید! Scrape a Table inside a Webpage using Pandas and LXML Python Modules!

  • تجسم داده های Scarped. Visualization of the Scarped Data.

  • داده های خراشیده شده را در یک پایگاه داده ذخیره کنید. Save The Scraped Data to a Database.

پروژه 3: Python Automation AFC (ماژول OS Python). Project 3: Python Automation AFC (OS Python Module).

  • دانلود و نصب ویرایشگر متن Sublime. Download & Install of Sublime Text Editor.

  • بررسی پروژه. Project Walkthrough.

  • پروژه ترتیب محتوای پوشه. Project Arrange Folder Content.

پروژه 4: پروژه اتوماسیون پایتون MPF (ماژول PyPDF2 Python). Project 4: Python Automation Project MPF (PyPDF2 Python Module).

  • بررسی پروژه. Project Walkthrough.

  • راه حل پروژه Project Solution.

پروژه 5: فهرست ایمیل کسب و کار اتوماسیون پایتون (ماژول پایتون smtplib). Project 5: Python Automation Business Email List (smtplib Python Module).

  • قسمت 1 Part 1

  • قسمت 2 Part 2

  • قسمت 3 Part 3

کتابخانه Numpy Python. Python Numpy Library.

  • معرفی Numpy. Numpy Intro.

  • Numpy.shape & Numpy.size Numpy.shape & Numpy.size

  • ایجاد آرایه های Numpy nd با استفاده از توابع Numpy. Creating Numpy nd arrays using Numpy functions.

  • Numpy.unique() و برش آرایه. Numpy.unique( ) & Array slicing.

  • محاسبات و اپراتورهای Numpy. Numpy Calculations and Operators.

  • انباشته های ناقص. Numpy Aggregations.

  • تغییر شکل و جابجایی Numpy. Numpy Reshape and Transposing.

  • مقایسه آرایه های Numpy Comparing Numpy Arrays.

  • پردازش تصاویر آرایه های Numpy. Numpy Arrays Images Processing.

دسترسی، دستکاری و فیلتر کردن DataFrames. Accessing, Manipulating & Filtering DataFrames.

  • دستکاری داده ها با استفاده از DataFrames. Data manipulation using DataFrames.

  • دسترسی به داده ها با استفاده از DataFrames. Accessing Data Using DataFrames.

  • جمع آوری و خلاصه سازی داده ها. Data aggregation and summarization.

  • ستون های جدید ایجاد کنید، موارد غیر ضروری را رها کنید و دستکاری داده های مختلف را انجام دهید Create New Columns, Drop Unnecessary Ones, and Perform Various Data Manipulation

  • تکنیک‌های ضروری برای مشاهده و توصیف داده‌های ما در پایتون. Essential Techniques for Peeking at & Describing our Data in Python.

  • فیلتر کردن داده ها Filtering Data.

تجسم داده ها در پایتون Data Visualization in Python.

  • مقدمه ای بر تجسم داده ها در پایتون Introduction to Data Visualization in Python.

  • هیستوگرام - ابزاری قدرتمند برای تجسم توزیع داده ها. Histograms – a Powerful Tool for Visualizing the Distribution of Data.

  • تجسم روندها با استفاده از داده های مالی دنیای واقعی. Visualizing Trends using a Real-World Financial Data.

  • تعیین و انتخاب نوع قطعه مناسب. Determining and Choosing the Appropriate Plot Type.

تجزیه و تحلیل داده های سری زمانی با استفاده از پایتون Time Series Data Analysis using Python.

  • مجموعه داده های مورد استفاده در این بخش Datasets used in this Section.

  • مقدمه ای بر تحلیل سری های زمانی. Introduction to Time Series Analysis.

  • ایجاد، تبدیل Datetimes از رشته ها و دستکاری داده های Datetime. Creating, Converting Datetimes from Strings & Manipulating Datetime Data.

  • دسترسی به ویژگی های Datetime، مقایسه Datetimes، و ساختن Datetime نسبی. Accessing Datetime Attributes, Comparing Datetimes, & Making Relative Datetime.

  • درک نرخ رشد سری زمانی و مقایسه قیمت سهام با معیار Understanding Time Series Growth Rates & Comparing Stock Prices with a Benchmark

  • تغییر فرکانس سری های زمانی با نمونه برداری و درونیابی. Changing Time Series Frequency By Up-Sampling & Interpolation.

  • تغییر فرکانس سری زمانی با نمونه گیری پایین. Changing Time Series Frequency By Down-Sampling.

  • توابع پنجره در تحلیل سری زمانی. Window Functions in Time Series Analysis.

  • تجزیه و تحلیل سری قیمت سهام با تاخیر. Stocks Prices Series Analysis with Lags.

پروژه 6: تجزیه و تحلیل سری زمانی مجموعه داده های تاریخی بت کوین. Project 6: Time Series Analysis of Betcoin Historical Data dataset.

  • معرفی این پروژه Introduction to this Project.

  • پیش پردازش و پاکسازی داده ها. Data Preprocessing and Cleaning.

  • تجسم داده های سری زمانی Visualizing Time Series Data.

  • ایجاد مدل های پیش بینی Creating Forecasting Models.

  • پیش بینی قیمت بیت کوین در آینده Predicting Future Bitcoin Prices.

پاداش Bonus

  • با تشکر Thanks

نمایش نظرات

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.

تجزیه و تحلیل سری زمانی: پروژه های عملی و تکنیک های پیشرفته
جزییات دوره
8.5 hours
95
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
1,022
5 از 5
دارد
دارد
دارد
Tamer Ahmed
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Tamer Ahmed Tamer Ahmed

توسعه دهنده حرفه ای و دانشمند داده عاشق تدریس هستند. با بیش از 50000 دانشجوی خوشحال در دوره های من ثبت نام می کنند. در این روزها فناوری و برنامه نویسی به روح زندگی ما تبدیل شده اند ، بنابراین یادگیری کدنویسی برای همه بسیار مهم است. من یک برنامه نویس و دانشمند داده هستم ، من به بسیاری از زبانهای برنامه نویسی مانند پایتون ، SQL ، R ، جاوا تسلط دارم ، همچنین با ابزارهایی مانند Excel ، Tableau ، Jupyter Notebook ، Unity ، Unreal و R Studio نیز تجربه خوبی دارم. اشتیاق فراوان به آموزش فناوری و به اشتراک گذاشتن دانش با جامعه. یادگیری مادام العمر نوعی آموزش خودآموز است که بر رشد شخصی متمرکز است. در حالی که هیچ تعریف استانداردی از یادگیری مادام العمر وجود ندارد ، اما به طور کلی منظور از یادگیری است که در خارج از یک م instسسه رسمی آموزشی مانند مدرسه ، دانشگاه یا دوره های آنلاین آموزش شرکت ها اتفاق می افتد. من هر ماه دوره های خود را به روز می کنم تا بخش های جدیدی را به انتخاب خود اضافه کنم تا انتظارات شما را برآورده کنم.