آموزش مهندسی ویژگی برای پیش بینی سری های زمانی

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