آموزش مهندسی ویژگی برای پیش بینی سری های زمانی

Feature Engineering for Time Series Forecasting

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: ایجاد تاخیر، پنجره و ویژگی‌های فصلی، انجام انتساب و کدگذاری، استخراج متغیرهای تاریخ، حذف نقاط پرت. نحوه پیش‌بینی با استفاده از مدل‌های سنتی یادگیری ماشین نحوه تبدیل سری‌های زمانی به جدولی از ویژگی‌های پیش‌بینی چگونه داده‌های از دست رفته را برای پیش‌بینی سری‌های زمانی نسبت دهیم نحوه شناسایی و حذف نقاط پرت در پیش‌بینی سری‌های زمانی نحوه ایجاد ویژگی‌ها از داده‌های گذشته از طریق تاخیرها و پنجره‌ها برای ساخت ویژگی هایی که فصلی و روند را به تصویر می کشد نحوه رمزگذاری متغیرهای طبقه بندی برای پیش بینی سری های زمانی نحوه برجسته کردن رویدادهای خاص مانند تعطیلات یا کمپین های تبلیغاتی نحوه پیش بینی چندین مرحله در آینده با Numpy، Pandas و Matplotlib آشنایی با Scikit-Learn آشنایی با الگوریتم های یادگیری ماشین

به مهندسی ویژگی برای پیش‌بینی سری‌های زمانی، جامع‌ترین دوره آموزشی مهندسی ویژگی برای پیش‌بینی که به‌صورت آنلاین در دسترس است، خوش آمدید. در این دوره آموزشی، نحوه ایجاد و استخراج ویژگی ها از داده های سری زمانی برای استفاده در پیش بینی را خواهید آموخت.


به هنر مهندسی ویژگی برای پیش‌بینی سری‌های زمانی مسلط شوید


در این دوره، روش‌های مهندسی ویژگی‌های متعددی را برای استخراج و ایجاد ویژگی‌هایی از داده‌های سری زمانی که برای پیش‌بینی با مدل‌های رگرسیون خارج از صفحه مانند رگرسیون خطی، جنگل‌های تصادفی، و ماشین‌های تقویت‌شده گرادیان مناسب هستند، یاد خواهید گرفت./p>


به طور خاص، یاد خواهید گرفت:


  • نحوه ایجاد ویژگی‌های تاخیر؛

  • نحوه ایجاد ویژگی های پنجره؛

  • نحوه ایجاد ویژگی هایی که فصلی و روندها را به تصویر می کشد؛

  • نحوه تجزیه سری های زمانی با چند فصلی؛

  • نحوه استخراج ویژگی ها از تاریخ و زمان؛

  • نحوه نسبت دادن داده های از دست رفته در سری های زمانی؛

  • نحوه رمزگذاری متغیرهای طبقه بندی شده در سری های زمانی؛

  • نحوه شناسایی و حذف نقاط پرت در سری های زمانی؛

  • نحوه جلوگیری از نشت داده ها و سوگیری آینده نگری در ایجاد ویژگی های پیش بینی؛

  • نحوه تبدیل ویژگی‌ها و موارد دیگر.


چالش های مهندسی ویژگی در پیش بینی


پیش‌بینی فرآیند پیش‌بینی آینده بر اساس داده‌های گذشته است. در سنتی ترین سناریو، ما یک سری زمانی داریم و می خواهیم مقادیر آینده آن را پیش بینی کنیم. در ایجاد ویژگی های پیش بینی چالش هایی وجود دارد:


  • ما باید داده‌های سری زمانی را با مجموعه‌ای از ویژگی‌ها و متغیر هدف به خوبی طراحی شده به داده‌های جدولی تبدیل کنیم؛

  • هنگام ایجاد ویژگی‌های پیش‌بینی، باید مراقب باشیم تا از نشت داده‌ها از طریق سوگیری نگاه به آینده جلوگیری کنیم؛

  • داده های سری زمانی، همانطور که انتظار می رود، در طول زمان تغییر می کند. ما باید این را در هنگام ساختن ویژگی های پیش بینی در نظر بگیریم؛

  • پیش‌بینی مقدار هدف چند مرحله‌ای در آینده، مستلزم این است که به دقت در مورد چگونگی تعمیم ویژگی‌های خود از گذشته به آینده فکر کنیم.


ما می‌توانیم مقادیر آینده سری‌های زمانی را با استفاده از مدل‌های رگرسیون خارج از قفسه مانند رگرسیون خطی، مدل‌های مبتنی بر درخت، ماشین‌های بردار پشتیبان و غیره پیش‌بینی کنیم. با این حال، این مدل ها به داده های جدولی به عنوان ورودی نیاز دارند. برای پیش‌بینی، ما با جدولی از ویژگی‌ها و یک متغیر هدف شروع نمی‌کنیم، بلکه مجموعه‌ای از سری‌های زمانی، شاید فقط یک مورد را شروع می‌کنیم. ما باید سری های زمانی را به داده های جدولی با یک متغیر هدف و مجموعه ای از ویژگی ها تبدیل کنیم که می تواند توسط مدل های یادگیری نظارت شده استفاده شود. بنابراین، چالش اصلی در مورد ایجاد یک متغیر هدف با طراحی خوب و ویژگی‌هایی با طراحی خاص است که به ما امکان می‌دهد ارزش آینده یک سری زمانی را پیش‌بینی کنیم.

ایجاد متغیر و ویژگی های هدف برای پیش بینی سری های زمانی مشکلات خاص خود را دارد. یک نگرانی عمده نوعی نشت داده است که به عنوان سوگیری نگاه به آینده شناخته می شود. اینجاست که شما به طور تصادفی از اطلاعاتی استفاده می کنید که فقط در آینده شناخته می شوند، نه در زمان پیش بینی، برای پیش بینی. این می تواند به شما این توهم را بدهد که یک مدل پیش بینی عالی دارید، با این حال، در عمل آن را اجرا نمی کند. معرفی سوگیری نگاه به آینده در طول مهندسی ویژگی بسیار آسان است و ما نشان می دهیم که چگونه می توانید از آن اجتناب کنید.

داده‌های سری زمانی در طول زمان تغییر می‌کنند، یعنی داده‌های آینده ممکن است همان توزیع و الگوهایی را داشته باشند که در داده‌های گذشته داریم، این با فرضیاتی که در مورد داده‌های جدولی سنتی ایجاد می‌شود متفاوت است. این تغییر در توزیع و الگوها در طول زمان را غیر ایستایی می گویند. در داده های سری زمانی، حضور ساده روند و فصلی می تواند باعث عدم ایستایی شود. بنابراین، ایجاد ویژگی هایی که این پویایی را به تصویر می کشد، یک چالش در پیش بینی سری های زمانی است.

ما اغلب می خواهیم چندین مرحله زمانی را در آینده پیش بینی کنیم. راه های متعددی برای انجام این کار وجود دارد، مانند 1) استفاده بازگشتی از مدلی که برای پیش بینی یک قدم جلوتر ساخته شده است، و 2) ساخت مدلی که مستقیماً هدف را در دوره زمانی بعدی در آینده پیش بینی می کند. یک چالش این است که مهندسی ویژگی مورد نیاز برای این دو روش متفاوت است. ما در مورد این تفاوت ها در دوره صحبت می کنیم.

چگونه می‌توانیم مجموعه‌ای از ویژگی‌ها ایجاد کنیم که به ما امکان می‌دهد مقادیر آینده یک سری زمانی را بر اساس مقادیر گذشته آن پیش‌بینی کنیم؟ و چگونه می توانیم اطلاعات اضافی برای ایجاد مجموعه داده غنی تر برای پیش بینی های خود اضافه کنیم؟ در این دوره، همه این موارد و موارد دیگر را خواهید آموخت.


دوره جامع مهندسی ویژگی برای پیش بینی


ایجاد ویژگی‌های مفید برای پیش‌بینی معمولاً مستلزم مطالعه دقیق سری‌های زمانی شما برای یافتن الگوهای پیش‌بینی‌کننده، مانند روند و فصلی بودن، و ادغام آن با دانش دامنه است. اخیراً، روند رو به رشدی برای تلاش برای خودکارسازی ایجاد ویژگی‌ها از سری‌های زمانی وجود داشته است.

در این دوره آموزشی، نحوه ایجاد ویژگی‌هایی از سری‌های زمانی را خواهید آموخت که به شما امکان می‌دهد مدل‌های یادگیری ماشینی را برای پیش‌بینی مقادیر آینده سری‌های زمانی آموزش دهید. ابتدا یاد خواهید گرفت که سری های زمانی را تجزیه و تحلیل کنید و ویژگی هایی را که می توانید برای ایجاد ویژگی های پیش بینی استفاده کنید، شناسایی کنید. به عنوان مثال، نحوه شناسایی و استخراج خودکار روند و فصلی بودن با استفاده از الگوریتم‌های مختلف و همچنین نحوه تبدیل سری‌های زمانی خود به منظور تسهیل تجزیه و پیش‌بینی آن را خواهید آموخت. ما نشان می دهیم که چگونه می توانید از ابزارهایی مانند همبستگی متقابل، همبستگی خودکار و نمودارهای همبستگی جزئی برای ایجاد ویژگی های تاخیر مناسب استفاده کنید. نکات، ترفندها و هک‌هایی را برای ایجاد ویژگی‌هایی کشف خواهید کرد که روندها، نقاط تغییر، فصلی بودن، جلوه‌های تقویم، موارد پرت و موارد دیگر را مدل‌سازی می‌کنند! بر اساس تجزیه و تحلیل داده ها و دانش دامنه، می توانید ویژگی های خود را با دقت ایجاد کنید.

سپس، یاد خواهید گرفت که چگونه فرآیند مهندسی ویژگی‌ها را خودکار کنید تا تعداد زیادی ویژگی برای پیش‌بینی سری‌های زمانی ایجاد کنید، و متعاقباً مواردی را انتخاب کنید که پیش‌بینی‌تر هستند. در اینجا، ما از کتابخانه های منبع باز استفاده خواهیم کرد که به ما امکان می دهد چندین ویژگی را به صورت خودکار یا نیمه خودکار ایجاد کنیم و سپس با ارزش ترین آنها را انتخاب کنیم. ما کتابخانه Python Feature-engine و بعداً tsfresh و featuretools را پوشش خواهیم داد.

ما شما را گام به گام از طریق آموزش‌های ویدیویی جذاب راهنمایی می‌کنیم و همه چیزهایی را که برای ایجاد ویژگی‌های معنادار برای پیش‌بینی سری‌های زمانی باید بدانید، به شما آموزش می‌دهیم. در طول این دوره جامع، عملاً تمام روش‌های ممکن برای ویژگی‌های مهندسی برای پیش‌بینی سری‌های زمانی را مرور خواهیم کرد. ما در مورد منطق آنها، پیاده سازی Python، مزایا و معایب، و مواردی که هنگام استفاده از این روش ها باید در نظر داشته باشید صحبت می کنیم.


به طور خاص، شما یاد خواهید گرفت که:


  • اجزای یک سری زمانی، از جمله سری های زمانی چند فصلی را شناسایی و جدا کنید.

  • ویژگی هایی ایجاد کنید که روندها، نقاط تغییر و فصلی بودن را به تصویر می کشد.

  • ویژگی‌های تاخیر و پنجره مناسب را از سری‌های زمانی هدف و پیش‌بینی‌کننده‌های متغیر کمکی شناسایی و ایجاد کنید.

  • ویژگی‌ها را از تاریخ و زمان خود ایجاد کنید.

  • متغیرهای طبقه بندی را برای پیش بینی رمزگذاری کنید.

  • ویژگی هایی را برای ثبت تعطیلات و سایر رویدادهای خاص ایجاد کنید.

  • داده‌های از دست رفته را در سری‌های زمانی با روش‌های پر کردن و درونیابی به عقب و جلو وارد کنید.

  • تشخیص، حذف، یا درک اهمیت موارد پرت در پیش بینی.

  • ایجاد ویژگی را با کتابخانه های منبع باز Python به صورت خودکار انجام دهید.


در پایان دوره، می‌توانید تصمیم بگیرید که کدام تکنیک برای چالش مجموعه داده و پیش‌بینی شما مناسب‌تر است. شما می‌توانید تمام تکنیک‌ها را در پایتون اعمال کنید و نحوه بهبود پیش‌بینی‌های خود را کشف کنید.


شغل علم داده خود را ارتقا دهید


شما اولین قدم‌های خود را در علم داده برداشته‌اید. شما از متداول ترین مدل های پیش بینی استفاده می کنید. احتمالاً برخی از الگوریتم‌های سنتی مانند ARIMA یا هموارسازی نمایی را برای انجام پیش‌بینی‌های خود امتحان کرده‌اید. در این مرحله، احتمالاً دارید متوجه می‌شوید که این مدل‌ها مفروضات زیادی در مورد داده‌هایی ایجاد می‌کنند که به سادگی رخ نمی‌دهند. شما به آزمایش شبکه های عصبی فکر کردید، اما آنها مدل های بسیار پیچیده ای را برای یک مشکل ساده ارائه می دهند.

ممکن است از خود بپرسید که آیا این چنین است یا راه حل های مناسب، همه کاره و ساده تری وجود دارد. همچنین ممکن است تعجب کنید که آیا کد شما کارآمد و کارآمد است یا راه بهتری برای برنامه ریزی آن وجود دارد. شما به صورت آنلاین جستجو می کنید، اما نمی توانید منابع تلفیقی را در زمینه مهندسی ویژگی برای پیش بینی پیدا کنید. شاید فقط وبلاگ ها؟ بنابراین ممکن است شروع به فکر کردن کنید: واقعاً کارها در صنعت چگونه انجام می شود؟

در این دوره آموزشی، پاسخ این سوالات را خواهید یافت. در طول دوره، راه‌های متعددی را برای ایجاد ویژگی‌هایی برای پیش‌بینی با مدل‌های رگرسیون سنتی و نحوه پیاده‌سازی آن‌ها با استفاده از Python به زیبایی یاد خواهید گرفت.

شما از قدرت اکوسیستم منبع باز پایتون، از جمله کتابخانه‌های Pandas، Scipy، Statsmodels، Scikit-learn و بسته‌های ویژه برای مهندسی ویژگی‌ها مانند Feature-engine و Category encoder استفاده خواهید کرد. در نهایت، ما به شما نشان خواهیم داد که چگونه می توانید این فرآیند را با کتابخانه هایی مانند tsfresh و featuretools به طور خودکار شروع کنید.

در پایان دوره، می‌توانید تمام مراحل مهندسی ویژگی‌های خود را در یک خط لوله ساده ترکیب کنید و به شما این امکان را می‌دهد که مدل‌های پیش‌بینی خود را با حداکثر کارایی وارد تولید کنید.


چرا این دوره را بگذرانید


هیچ مکان واحدی برای یادگیری در مورد مهندسی ویژگی برای پیش بینی وجود ندارد. حتی پس از ساعت‌ها جستجو در وب، یافتن روش‌ها و بهترین روش‌های تلفیقی دشوار است.

به همین دلیل است که ما این دوره را ایجاد کردیم. این دوره بسیاری از تکنیک‌های مورد استفاده در سراسر جهان برای مهندسی ویژگی‌ها را از کتاب‌های معتبر پیش‌بینی، مسابقات داده‌ای مانند Kaggle و مقالات علمی KDD، و از تجربه مدرسان به‌عنوان دانشمندان داده جمع‌آوری می‌کند. بنابراین این دوره مرجعی است که در آن می‌توانید با روش‌های جدید آشنا شوید و به همراه پیاده‌سازی آن‌ها در کد، مجدداً از آنها بازدید کنید. بنابراین همیشه می توانید ویژگی های مورد نیاز خود را ایجاد کنید.

این دوره توسط دانشمندان پیشرو داده با تجربه در استفاده از یادگیری ماشین در امور مالی، بیمه، سلامت و تجارت الکترونیک تدریس می‌شود. سول همچنین یک نویسنده کتاب و توسعه دهنده اصلی یک کتابخانه منبع باز پایتون برای مهندسی ویژگی است. کیشان یک پیش بینی باتجربه با مدرک دکترای فیزیک در تجزیه و تحلیل سری های زمانی در مقیاس بزرگ و مدل سازی آریتمی های قلبی است.

این دوره جامع مهندسی ویژگی شامل بیش از 100 سخنرانی است که در حدود 10 ساعت ویدیو پخش شده است و همه موضوعات شامل نمونه‌های عملی کد پایتون است که می‌توانید برای مرجع، تمرین و استفاده مجدد در پروژه‌های خود استفاده کنید.


و موارد دیگر وجود دارد:


  • این دوره به طور مداوم به روز می شود تا شامل روش های جدید مهندسی ویژگی باشد.

  • نوت‌بوک‌ها مرتباً به‌روزرسانی می‌شوند تا اطمینان حاصل شود که همه روش‌ها با جدیدترین نسخه‌های کتابخانه‌های Python انجام می‌شوند، بنابراین کد شما هرگز خراب نمی‌شود.

  • این دوره ویدئوها، ارائه‌ها و نوت‌بوک‌های Jupyter را برای توضیح روش‌ها و نشان دادن اجرای آنها در پایتون ترکیب می‌کند.

  • برنامه درسی در یک دوره دو ساله با تحقیقات مستمر در زمینه پیش‌بینی توسعه داده شد تا آخرین فناوری‌ها، ابزارها و گرایش‌ها را به شما ارائه دهد.


آیا می خواهید بیشتر بدانید؟ ادامه مطلب...


این دوره با 30 روز ضمانت بازگشت وجه ارائه می شود، بنابراین می توانید امروز بدون هیچ خطری ثبت نام کنید.


پس منتظر چه چیزی هستید؟ همین امروز ثبت نام کنید و به جامع ترین دوره مهندسی ویژگی های جهان برای پیش بینی سری های زمانی بپیوندید.


سرفصل ها و درس ها

خوش آمدی Welcome

  • برنامه درسی دوره Course Curriculum

  • نمای کلی دوره و هدف Course Overview and Aim

  • الزامات دانش Knowledge Requirements

  • مواد درسی Course Material

  • نوت بوک های Jupyter Jupyter Notebooks

  • ارائه ها Presentations

  • مجموعه داده ها Datasets

خوش آمدی Welcome

  • برنامه درسی دوره Course Curriculum

  • نمای کلی دوره و هدف Course Overview and Aim

  • الزامات دانش Knowledge Requirements

  • مواد درسی Course Material

  • نوت بوک های Jupyter Jupyter Notebooks

  • ارائه ها Presentations

  • مجموعه داده ها Datasets

جدول بندی داده های سری زمانی Tabularizing time series data

  • پیش بینی سری های زمانی Time series forecasting

  • مدل های پیش بینی Forecasting models

  • مجموعه داده ها، ویژگی ها و اهداف Datasets, features and targets

  • چارچوب پیش بینی Forecasting framework

  • نمای کلی مهندسی ویژگی Feature engineering overview

  • جدول بندی داده های سری زمانی Tabularizing time series data

  • نسخه ی نمایشی پیش بینی: تجزیه و تحلیل داده ها Forecasting demo: data analysis

  • نسخه ی نمایشی پیش بینی: مهندسی ویژگی Forecasting demo: feature engineering

  • نسخه ی نمایشی پیش بینی: آموزش پیش بینی کننده Forecasting demo: training the forecaster

  • تخصیص کد - جدول بندی سری های زمانی Code assignment - tabularize time series

  • خلاصه Summary

جدول بندی داده های سری زمانی Tabularizing time series data

  • پیش بینی سری های زمانی Time series forecasting

  • مدل های پیش بینی Forecasting models

  • مجموعه داده ها، ویژگی ها و اهداف Datasets, features and targets

  • چارچوب پیش بینی Forecasting framework

  • نمای کلی مهندسی ویژگی Feature engineering overview

  • جدول بندی داده های سری زمانی Tabularizing time series data

  • نسخه ی نمایشی پیش بینی: تجزیه و تحلیل داده ها Forecasting demo: data analysis

  • نسخه ی نمایشی پیش بینی: مهندسی ویژگی Forecasting demo: feature engineering

  • نسخه ی نمایشی پیش بینی: آموزش پیش بینی کننده Forecasting demo: training the forecaster

  • تخصیص کد - جدول بندی سری های زمانی Code assignment - tabularize time series

  • خلاصه Summary

چالش‌های مهندسی ویژگی برای پیش‌بینی Challenges in feature engineering for forecasting

  • چالش های مهندسی ویژگی Challenges in feature engineering

  • گردش کار یادگیری ماشین Machine learning workflow

  • مهندسی ویژگی در داده های جدولی Feature engineering in tabular data

  • مهندسی ویژگی در پیش بینی - ملاحظات Feature engineering in forecasting - considerations

  • مهندسی ویژگی در پیش بینی - خطوط لوله Feature engineering in forecasting - pipelines

  • آزمون: گردش کار یادگیری ماشین Quiz: machine learning workflow

  • نسخه ی نمایشی پیش بینی - مقدمه Forecasting demo - intro

  • خط لوله مهندسی ویژگی - نسخه ی نمایشی Feature engineering pipeline - demo

  • پیش بینی یک قدم جلوتر: نسخه ی نمایشی Forecasting one step ahead: demo

  • تخصیص کد - خط لوله مهندسی ویژگی Code assignment - feature engineering pipeline

  • پیش بینی چند مرحله ای Multistep forecasting

  • پیش بینی مستقیم Direct forecasting

  • پیش بینی مستقیم چند مرحله ای: نسخه ی نمایشی Direct multistep forecasting: demo

  • پیش بینی بازگشتی Recursive forecasting

  • پیش بینی چند مرحله ای بازگشتی: نسخه ی نمایشی Recursive multistep forecasting: demo

  • پیش بینی بازگشتی: افق های متعدد - نسخه ی نمایشی Recursive forecasting: multiple horizons - demo

  • خلاصه Summary

چالش‌های مهندسی ویژگی برای پیش‌بینی Challenges in feature engineering for forecasting

  • چالش های مهندسی ویژگی Challenges in feature engineering

  • گردش کار یادگیری ماشین Machine learning workflow

  • مهندسی ویژگی در داده های جدولی Feature engineering in tabular data

  • مهندسی ویژگی در پیش بینی - ملاحظات Feature engineering in forecasting - considerations

  • مهندسی ویژگی در پیش بینی - خطوط لوله Feature engineering in forecasting - pipelines

  • آزمون: گردش کار یادگیری ماشین Quiz: machine learning workflow

  • نسخه ی نمایشی پیش بینی - مقدمه Forecasting demo - intro

  • خط لوله مهندسی ویژگی - نسخه ی نمایشی Feature engineering pipeline - demo

  • پیش بینی یک قدم جلوتر: نسخه ی نمایشی Forecasting one step ahead: demo

  • تخصیص کد - خط لوله مهندسی ویژگی Code assignment - feature engineering pipeline

  • پیش بینی چند مرحله ای Multistep forecasting

  • پیش بینی مستقیم Direct forecasting

  • پیش بینی مستقیم چند مرحله ای: نسخه ی نمایشی Direct multistep forecasting: demo

  • پیش بینی بازگشتی Recursive forecasting

  • پیش بینی چند مرحله ای بازگشتی: نسخه ی نمایشی Recursive multistep forecasting: demo

  • پیش بینی بازگشتی: افق های متعدد - نسخه ی نمایشی Recursive forecasting: multiple horizons - demo

  • خلاصه Summary

تجزیه سری زمانی Time Series Decomposition

  • اجزای یک سری زمانی Components of a time series

  • نویز سفید White noise

  • مدل های افزایشی و ضربی Additive and multiplicative models

  • تبدیل لاگ Log transform

  • تبدیل جعبه-کاکس Box-Cox transform

  • تبدیل باکس-کاکس: روش گوئررو Box-Cox transform: Guerrero method

  • Box-Cox با استفاده از Scipy: نسخه ی نمایشی Box-Cox using Scipy: demo

  • Box-Cox با استفاده از sktime و Feature-engine: نسخه ی نمایشی Box-Cox using sktime and Feature-engine: demo

  • میانگین متحرک Moving average

  • میانگین متحرک در پانداها: نسخه ی نمایشی Moving averages in Pandas: demo

  • تجزیه کلاسیک: روند Classical decomposition: trend

  • تجزیه کلاسیک: فصلی Classical decomposition: seasonality

  • تجزیه کلاسیک: دمو Classical decomposition: demo

  • LOWESS: نظریه LOWESS: Theory

  • LOWESS: تمرین کنید LOWESS: Practice

  • LOWESS برای استخراج روند: نسخه ی نمایشی LOWESS to extract trend: demo

  • LOWESS در مقابل LOESS LOWESS vs LOESS

  • نمای کلی STL STL overview

  • تئوری STL قسمت 1: LOESS و چرخه-زیر سری STL theory part 1: LOESS and cycle-subseries

  • نظریه STL قسمت 2: حلقه داخلی STL theory part 2: the inner loop

  • نظریه STL قسمت 3: حلقه بیرونی STL theory part 3: the outer loop

  • STL برای محاسبه فصلی و روند: نسخه ی نمایشی STL to compute seasonality and trend: demo

  • سری زمانی چند فصلی Multi-seasonal time series

  • روش های تجزیه چند فصلی Multi-seasonal decomposition methods

  • MSTL MSTL

  • MSTL: نسخه ی نمایشی MSTL: demo

  • خلاصه Summary

تجزیه سری زمانی Time Series Decomposition

  • اجزای یک سری زمانی Components of a time series

  • نویز سفید White noise

  • مدل های افزایشی و ضربی Additive and multiplicative models

  • تبدیل لاگ Log transform

  • تبدیل جعبه-کاکس Box-Cox transform

  • تبدیل باکس-کاکس: روش گوئررو Box-Cox transform: Guerrero method

  • Box-Cox با استفاده از Scipy: نسخه ی نمایشی Box-Cox using Scipy: demo

  • Box-Cox با استفاده از sktime و Feature-engine: نسخه ی نمایشی Box-Cox using sktime and Feature-engine: demo

  • میانگین متحرک Moving average

  • میانگین متحرک در پانداها: نسخه ی نمایشی Moving averages in Pandas: demo

  • تجزیه کلاسیک: روند Classical decomposition: trend

  • تجزیه کلاسیک: فصلی Classical decomposition: seasonality

  • تجزیه کلاسیک: دمو Classical decomposition: demo

  • LOWESS: نظریه LOWESS: Theory

  • LOWESS: تمرین کنید LOWESS: Practice

  • LOWESS برای استخراج روند: نسخه ی نمایشی LOWESS to extract trend: demo

  • LOWESS در مقابل LOESS LOWESS vs LOESS

  • نمای کلی STL STL overview

  • تئوری STL قسمت 1: LOESS و چرخه-زیر سری STL theory part 1: LOESS and cycle-subseries

  • نظریه STL قسمت 2: حلقه داخلی STL theory part 2: the inner loop

  • نظریه STL قسمت 3: حلقه بیرونی STL theory part 3: the outer loop

  • STL برای محاسبه فصلی و روند: نسخه ی نمایشی STL to compute seasonality and trend: demo

  • سری زمانی چند فصلی Multi-seasonal time series

  • روش های تجزیه چند فصلی Multi-seasonal decomposition methods

  • MSTL MSTL

  • MSTL: نسخه ی نمایشی MSTL: demo

  • خلاصه Summary

داده های گمشده Missing Data Imputation

  • نمای کلی انتساب Imputation overview

  • پر کردن جلو و عقب Forward and backward filling

  • پر کردن جلو و عقب: نسخه ی نمایشی Forward and backward filling: demo

  • درون یابی خطی Linear interpolation

  • درونیابی خطی: نسخه ی نمایشی Linear interpolation: demo

  • درون یابی اسپلاین Spline interpolation

  • درون یابی Spline: نسخه ی نمایشی Spline interpolation: demo

  • تجزیه و درون یابی فصلی Seasonal decomposition and interpolation

  • تجزیه فصلی و درونیابی: نسخه ی نمایشی Seasonal decomposition and interpolation: demo

  • خلاصه Summary

داده های گمشده Missing Data Imputation

  • نمای کلی انتساب Imputation overview

  • پر کردن جلو و عقب Forward and backward filling

  • پر کردن جلو و عقب: نسخه ی نمایشی Forward and backward filling: demo

  • درون یابی خطی Linear interpolation

  • درونیابی خطی: نسخه ی نمایشی Linear interpolation: demo

  • درون یابی اسپلاین Spline interpolation

  • درون یابی Spline: نسخه ی نمایشی Spline interpolation: demo

  • تجزیه و درون یابی فصلی Seasonal decomposition and interpolation

  • تجزیه فصلی و درونیابی: نسخه ی نمایشی Seasonal decomposition and interpolation: demo

  • خلاصه Summary

موارد پرت Outliers

  • بررسی اجمالی موارد پرت Outliers overview

  • پرت در سری های زمانی Outliers in time series

  • آمار چرخشی Rolling statistics

  • وسیله نورد برای تشخیص نقاط دورتر Rolling mean for outlier detection

  • ابزار نورد برای تشخیص نقاط پرت: نسخه ی نمایشی Rolling mean for outlier detection: demo

  • میانه چرخشی برای تشخیص نقاط دورتر Rolling median for outlier detection

  • میانه چرخشی برای تشخیص نقاط دورتر: نسخه ی نمایشی Rolling median for outlier detection: demo

  • باقیمانده برای تشخیص نقاط دورتر Residuals for outlier detection

  • LOWESS برای تشخیص پرت LOWESS for outlier detection

  • LOWESS و باقیمانده برای تشخیص موارد دور از دسترس: نسخه ی نمایشی LOWESS and residuals for outlier detection: demo

  • STL برای تشخیص بیرونی STL for outlier detection

  • STL و باقیمانده‌ها برای تشخیص موارد پرت: نسخه ی نمایشی STL and residuals for outlier detection: demo

  • متغیرهای ساختگی برای رسیدگی به موارد پرت و رویدادهای خاص Dummy variables to handle outliers and special events

  • خلاصه Summary

موارد پرت Outliers

  • بررسی اجمالی موارد پرت Outliers overview

  • پرت در سری های زمانی Outliers in time series

  • آمار چرخشی Rolling statistics

  • وسیله نورد برای تشخیص نقاط دورتر Rolling mean for outlier detection

  • ابزار نورد برای تشخیص نقاط پرت: نسخه ی نمایشی Rolling mean for outlier detection: demo

  • میانه چرخشی برای تشخیص نقاط دورتر Rolling median for outlier detection

  • میانه چرخشی برای تشخیص نقاط دورتر: نسخه ی نمایشی Rolling median for outlier detection: demo

  • باقیمانده برای تشخیص نقاط دورتر Residuals for outlier detection

  • LOWESS برای تشخیص پرت LOWESS for outlier detection

  • LOWESS و باقیمانده برای تشخیص موارد دور از دسترس: نسخه ی نمایشی LOWESS and residuals for outlier detection: demo

  • STL برای تشخیص بیرونی STL for outlier detection

  • STL و باقیمانده‌ها برای تشخیص موارد پرت: نسخه ی نمایشی STL and residuals for outlier detection: demo

  • متغیرهای ساختگی برای رسیدگی به موارد پرت و رویدادهای خاص Dummy variables to handle outliers and special events

  • خلاصه Summary

ویژگی های تاخیر Lag Features

  • ویژگی های تاخیر Lag features

  • ویژگی های تاخیر: نسخه ی نمایشی Lag features: demo

  • نحوه انتخاب لگ ها How to choose the lags

  • فرآیندهای خود رگرسیون (AR). Autoregressive (AR) processes

  • طرح های تاخیر Lag plots

  • طرح های تاخیر: نسخه ی نمایشی Lag plots: demo

  • تابع خود همبستگی (قسمت 1) Autocorrelation function (part 1)

  • تابع خود همبستگی (قسمت 2) Autocorrelation function (part 2)

  • تابع همبستگی خودکار: نمایشی Autocorrelation function: demo

  • تابع همبستگی جزئی (قسمت 1) Partial autocorrelation function (part 1)

  • تابع خودهمبستگی جزئی (قسمت 2) Partial autocorrelation function (part 2)

  • تابع همبستگی جزئی: نسخه ی نمایشی Partial autocorrelation function: demo

  • تابع همبستگی متقابل (قسمت 1) Cross correlation function (part 1)

  • تابع همبستگی متقابل (قسمت 2) Cross correlation function (part 2)

  • تابع همبستگی متقابل: نسخه ی نمایشی Cross correlation function: demo

  • ویژگی های تاخیر توزیع شده Distributed lag features

  • ایجاد نسخه نمایشی ویژگی های تاخیر خوب: مجموعه داده های آلودگی هوا Creating good lag features demo: the air pollution dataset

  • ایجاد نسخه نمایشی ویژگی های تاخیر خوب: دانش دامنه Creating good lag features demo: domain knowledge

  • ایجاد نسخه نمایشی ویژگی های تاخیر خوب: انتخاب ویژگی و مدل سازی Creating good lag features demo: feature selection & modelling

  • ایجاد نسخه نمایشی ویژگی های تاخیر خوب: روش های همبستگی (قسمت 1) Creating good lag features demo: correlation methods (part 1)

  • ایجاد نسخه نمایشی ویژگی های تاخیر خوب: روش های همبستگی (قسمت 2) Creating good lag features demo: correlation methods (part 2)

  • خلاصه Summary

ویژگی های تاخیر Lag Features

  • ویژگی های تاخیر Lag features

  • ویژگی های تاخیر: نسخه ی نمایشی Lag features: demo

  • نحوه انتخاب لگ ها How to choose the lags

  • فرآیندهای خود رگرسیون (AR). Autoregressive (AR) processes

  • طرح های تاخیر Lag plots

  • طرح های تاخیر: نسخه ی نمایشی Lag plots: demo

  • تابع خود همبستگی (قسمت 1) Autocorrelation function (part 1)

  • تابع خود همبستگی (قسمت 2) Autocorrelation function (part 2)

  • تابع همبستگی خودکار: نمایشی Autocorrelation function: demo

  • تابع همبستگی جزئی (قسمت 1) Partial autocorrelation function (part 1)

  • تابع خودهمبستگی جزئی (قسمت 2) Partial autocorrelation function (part 2)

  • تابع همبستگی جزئی: نسخه ی نمایشی Partial autocorrelation function: demo

  • تابع همبستگی متقابل (قسمت 1) Cross correlation function (part 1)

  • تابع همبستگی متقابل (قسمت 2) Cross correlation function (part 2)

  • تابع همبستگی متقابل: نسخه ی نمایشی Cross correlation function: demo

  • ویژگی های تاخیر توزیع شده Distributed lag features

  • ایجاد نسخه نمایشی ویژگی های تاخیر خوب: مجموعه داده های آلودگی هوا Creating good lag features demo: the air pollution dataset

  • ایجاد نسخه نمایشی ویژگی های تاخیر خوب: دانش دامنه Creating good lag features demo: domain knowledge

  • ایجاد نسخه نمایشی ویژگی های تاخیر خوب: انتخاب ویژگی و مدل سازی Creating good lag features demo: feature selection & modelling

  • ایجاد نسخه نمایشی ویژگی های تاخیر خوب: روش های همبستگی (قسمت 1) Creating good lag features demo: correlation methods (part 1)

  • ایجاد نسخه نمایشی ویژگی های تاخیر خوب: روش های همبستگی (قسمت 2) Creating good lag features demo: correlation methods (part 2)

  • خلاصه Summary

ویژگی های پنجره Window Features

  • نمای کلی ویژگی های پنجره Window features overview

  • ویژگی های پنجره نورد: تعریف Rolling window features: definition

  • ویژگی های پنجره چرخشی: انتخاب اندازه پنجره و آمار Rolling window features: picking the window size and statistics

  • ویژگی های پنجره نورد: پیاده سازی در پایتون Rolling window features: implementation in Python

  • ویژگی های پنجره نورد: نسخه ی نمایشی Rolling window features: demo

  • گسترش ویژگی های پنجره: تعریف Expanding window features: definition

  • گسترش ویژگی های پنجره: موارد استفاده Expanding window features: use cases

  • گسترش ویژگی های پنجره: پیاده سازی در پایتون Expanding window features: implementation in Python

  • گسترش ویژگی های پنجره: نسخه ی نمایشی Expanding window features: demo

  • توابع وزنی پنجره: تعریف و موارد استفاده Weighted window functions: definition & use cases

  • توابع پنجره وزن دار: پیاده سازی در پایتون Weighted window functions: implementation in Python

  • توابع پنجره وزن: نسخه ی نمایشی Weighted window functions: demo

  • اوزان نمایی: تعریف Exponential weights: definition

  • وزن های نمایی: گسترش پنجره ها و اجرا Exponential weights: expanding windows and implementation

  • وزن های نمایی: نسخه ی نمایشی Exponential weights: demo

  • انتخاب ویژگی های پنجره: نسخه ی نمایشی Selecting window features: demo

  • خلاصه Summary

ویژگی های پنجره Window Features

  • نمای کلی ویژگی های پنجره Window features overview

  • ویژگی های پنجره نورد: تعریف Rolling window features: definition

  • ویژگی های پنجره چرخشی: انتخاب اندازه پنجره و آمار Rolling window features: picking the window size and statistics

  • ویژگی های پنجره نورد: پیاده سازی در پایتون Rolling window features: implementation in Python

  • ویژگی های پنجره نورد: نسخه ی نمایشی Rolling window features: demo

  • گسترش ویژگی های پنجره: تعریف Expanding window features: definition

  • گسترش ویژگی های پنجره: موارد استفاده Expanding window features: use cases

  • گسترش ویژگی های پنجره: پیاده سازی در پایتون Expanding window features: implementation in Python

  • گسترش ویژگی های پنجره: نسخه ی نمایشی Expanding window features: demo

  • توابع وزنی پنجره: تعریف و موارد استفاده Weighted window functions: definition & use cases

  • توابع پنجره وزن دار: پیاده سازی در پایتون Weighted window functions: implementation in Python

  • توابع پنجره وزن: نسخه ی نمایشی Weighted window functions: demo

  • اوزان نمایی: تعریف Exponential weights: definition

  • وزن های نمایی: گسترش پنجره ها و اجرا Exponential weights: expanding windows and implementation

  • وزن های نمایی: نسخه ی نمایشی Exponential weights: demo

  • انتخاب ویژگی های پنجره: نسخه ی نمایشی Selecting window features: demo

  • خلاصه Summary

ویژگی های روند Trend Features

  • ویژگی های روند: نمای کلی Trend features: overview

  • انواع روند Types of trend

  • روند خطی: استفاده از زمان به عنوان یک ویژگی Linear trend: using time as a feature

  • ویژگی زمان: ایجاد نسخه نمایشی ویژگی Time feature: creating the feature demo

  • ویژگی زمان: نسخه ی نمایشی پیش بینی Time feature: forecasting demo

  • روند غیر خطی: استفاده از زمان به عنوان یک ویژگی Non-linear trend: using time as a feature

  • ویژگی های زمانی غیر خطی: ایجاد نسخه نمایشی ویژگی ها Non-linear time features: creating the features demo

  • ویژگی های زمانی غیر خطی: نسخه ی نمایشی پیش بینی Non-linear time features: forecasting demo

  • پیش بینی بازگشتی با تاخیرها، پنجره ها و روند Recursive forecasting with lags, windows, and trend

  • ویژگی های روند و پیش بینی بازگشتی: نسخه ی نمایشی Trend features and recursive forecasting: demo

  • رگرسیون تکه ای و نقاط تغییر (قسمت 1) Piecewise regression and changepoints (part 1)

  • رگرسیون تکه ای و نقاط تغییر (قسمت 2) Piecewise regression and changepoints (part 2)

  • ویژگی های Changepoint: ایجاد نسخه ی نمایشی ویژگی ها Changepoint features: creating the features demo

  • ویژگی های نقطه تغییر: نسخه ی نمایشی پیش بینی Changepoint features: forecasting demo

  • مدل ها و روند مبتنی بر درخت Tree-based models and trend

  • مدل‌ها و روند مبتنی بر درخت: کاهش روند با نسخه نمایشی sktime Tree-based models and trend: detrending with sktime demo

  • مدل ها و روند مبتنی بر درخت: نسخه ی نمایشی پیش بینی Tree-based models and trend: forecasting demo

  • درختان خطی با استفاده از LightGBM Linear trees using LightGBM

  • درختان خطی با استفاده از LightGBM: نسخه ی نمایشی Linear trees using LightGBM: demo

  • خلاصه Summary

ویژگی های روند Trend Features

  • ویژگی های روند: نمای کلی Trend features: overview

  • انواع روند Types of trend

  • روند خطی: استفاده از زمان به عنوان یک ویژگی Linear trend: using time as a feature

  • ویژگی زمان: ایجاد نسخه نمایشی ویژگی Time feature: creating the feature demo

  • ویژگی زمان: نسخه ی نمایشی پیش بینی Time feature: forecasting demo

  • روند غیر خطی: استفاده از زمان به عنوان یک ویژگی Non-linear trend: using time as a feature

  • ویژگی های زمانی غیر خطی: ایجاد نسخه نمایشی ویژگی ها Non-linear time features: creating the features demo

  • ویژگی های زمانی غیر خطی: نسخه ی نمایشی پیش بینی Non-linear time features: forecasting demo

  • پیش بینی بازگشتی با تاخیرها، پنجره ها و روند Recursive forecasting with lags, windows, and trend

  • ویژگی های روند و پیش بینی بازگشتی: نسخه ی نمایشی Trend features and recursive forecasting: demo

  • رگرسیون تکه ای و نقاط تغییر (قسمت 1) Piecewise regression and changepoints (part 1)

  • رگرسیون تکه ای و نقاط تغییر (قسمت 2) Piecewise regression and changepoints (part 2)

  • ویژگی های Changepoint: ایجاد نسخه ی نمایشی ویژگی ها Changepoint features: creating the features demo

  • ویژگی های نقطه تغییر: نسخه ی نمایشی پیش بینی Changepoint features: forecasting demo

  • مدل ها و روند مبتنی بر درخت Tree-based models and trend

  • مدل‌ها و روند مبتنی بر درخت: کاهش روند با نسخه نمایشی sktime Tree-based models and trend: detrending with sktime demo

  • مدل ها و روند مبتنی بر درخت: نسخه ی نمایشی پیش بینی Tree-based models and trend: forecasting demo

  • درختان خطی با استفاده از LightGBM Linear trees using LightGBM

  • درختان خطی با استفاده از LightGBM: نسخه ی نمایشی Linear trees using LightGBM: demo

  • خلاصه Summary

ویژگی های تاریخ و زمان Date and Time Features

  • ویژگی های تاریخ و زمان Date and time features

  • ویژگی های تاریخ: نسخه ی نمایشی Date features: demo

  • ویژگی های زمان: نسخه ی نمایشی Time features: demo

  • ویژگی های Datetime با Feature-engine Datetime features with Feature-engine

  • ویژگی های دوره ای یا دوره ای Periodic or Cyclical Features

  • ویژگی های دوره ای: نسخه ی نمایشی Periodic Features: demo

  • تعطیلات تقویم Calendar holidays

  • تعطیلات تقویم: نسخه ی نمایشی Calendar holidays: demo

  • خلاصه Summary

ویژگی های تاریخ و زمان Date and Time Features

  • ویژگی های تاریخ و زمان Date and time features

  • ویژگی های تاریخ: نسخه ی نمایشی Date features: demo

  • ویژگی های زمان: نسخه ی نمایشی Time features: demo

  • ویژگی های Datetime با Feature-engine Datetime features with Feature-engine

  • ویژگی های دوره ای یا دوره ای Periodic or Cyclical Features

  • ویژگی های دوره ای: نسخه ی نمایشی Periodic Features: demo

  • تعطیلات تقویم Calendar holidays

  • تعطیلات تقویم: نسخه ی نمایشی Calendar holidays: demo

  • خلاصه Summary

ویژگی های دسته بندی Categorical Features

  • ویژگی های دسته بندی - مقدمه Categorical features - intro

  • یک کدگذاری داغ One hot encoding

  • یک کدگذاری داغ با منبع باز One hot encoding with open source

  • یک رمزگذاری داغ: نسخه ی نمایشی One hot encoding: demo

  • رمزگذاری ترتیبی Ordinal encoding

  • رمزگذاری ترتیبی با منبع باز Ordinal encoding with open source

  • رمزگذاری ترتیبی: نسخه ی نمایشی Ordinal encoding: demo

  • رمزگذاری میانگین Mean encoding

  • میانگین رمزگذاری: نسخه ی نمایشی با ویژگی موتور Mean encoding: demo with Feature-engine

  • میانگین رمزگذاری: نسخه آزمایشی با ویندوز در حال گسترش Mean encoding: demo with expanding windows

  • خلاصه Summary

ویژگی های دسته بندی Categorical Features

  • ویژگی های دسته بندی - مقدمه Categorical features - intro

  • یک کدگذاری داغ One hot encoding

  • یک کدگذاری داغ با منبع باز One hot encoding with open source

  • یک رمزگذاری داغ: نسخه ی نمایشی One hot encoding: demo

  • رمزگذاری ترتیبی Ordinal encoding

  • رمزگذاری ترتیبی با منبع باز Ordinal encoding with open source

  • رمزگذاری ترتیبی: نسخه ی نمایشی Ordinal encoding: demo

  • رمزگذاری میانگین Mean encoding

  • میانگین رمزگذاری: نسخه ی نمایشی با ویژگی موتور Mean encoding: demo with Feature-engine

  • میانگین رمزگذاری: نسخه آزمایشی با ویندوز در حال گسترش Mean encoding: demo with expanding windows

  • خلاصه Summary

حرکت رو به جلو Moving Forward

  • سخنرانی پاداش Bonus lecture

حرکت رو به جلو Moving Forward

  • سخنرانی پاداش Bonus lecture

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.

آموزش مهندسی ویژگی برای پیش بینی سری های زمانی
جزییات دوره
21 hours
162
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
967
4.8 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Soledad Galli Soledad Galli

دانشمند داده | مربی | توسعه دهنده نرم افزار

Kishan Manani Kishan Manani

یادگیری ماشین و علم داده پیشرو هستند