تحلیل و پیش بینی سری های زمانی کاربردی در پایتون

Applied Time Series Analysis and Forecasting in Python

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: تجزیه و تحلیل سری های زمانی در پایتون: تئوری، مدل سازی: AR به SARIMAX، مدل های برداری، GARCH، Auto ARIMA، پیش بینی مواجهه با انواع خاصی از سری های زمانی مانند نویز سفید و پیاده روی تصادفی. در مورد حسابداری "شوک های غیرمنتظره" از طریق میانگین متحرک بیاموزید. کدنویسی را در پایتون شروع کنید و یاد بگیرید که چگونه از آن برای تجزیه و تحلیل آماری استفاده کنید. درک نیاز به عادی سازی داده ها هنگام مقایسه سری های زمانی مختلف. پیش نیازها:دانشمندان مبتدی داده به دنبال کسب تجربه با سری های زمانی افراد علاقه مند به امور مالی کمی هستند. دانشمندان مشتاق داده برنامه نویسانی که می خواهند در امور مالی تخصص داشته باشند.

چگونه یک بانک تجاری عملکرد مورد انتظار پرتفوی وام خود را پیش بینی می کند؟

یا یک مدیر سرمایه گذاری چگونه ریسک یک سبد سهام را برآورد می کند؟

روش های کمی برای پیش بینی املاک و مستغلات کدامند؟

اگر مقداری وابستگی زمانی وجود دارد، پس شما آن را می دانید - پاسخ تحلیل سری زمانی است.

این دوره مهارت های عملی را به شما آموزش می دهد که به شما امکان می دهد به عنوان یک تحلیلگر مالی کمی، یک تحلیلگر داده یا یک دانشمند داده شغلی پیدا کنید.

در کمترین زمان، مهارت‌های اساسی را به دست خواهید آورد که به شما امکان می‌دهد تحلیل سری‌های زمانی پیچیده را که مستقیماً در عمل قابل استفاده است، انجام دهید. ما یک دوره سری زمانی ایجاد کرده ایم که نه تنها بی زمان است بلکه:

· درک آسان

· جامع

· عملی

· به نقطه

· مملو از تمرینات و منابع فراوان

اما ما می دانیم که ممکن است کافی نباشد.

ما برجسته‌ترین ابزارها را می‌گیریم و از طریق پایتون - محبوب‌ترین زبان برنامه‌نویسی در حال حاضر - پیاده‌سازی می‌کنیم. با این حساب…

به تجزیه و تحلیل سری زمانی در پایتون خوش آمدید!

سوال بزرگ در گذراندن دوره آنلاین این است که انتظار چه چیزی را داشته باشید. و ما مطمئن شده‌ایم که همه چیزهایی که برای مهارت در تجزیه و تحلیل سری‌های زمانی نیاز دارید در اختیار شما قرار داده شده است.

ما با بررسی نظریه سری‌های زمانی بنیادی شروع می‌کنیم تا به شما در درک مدل‌سازی که بعداً انجام می‌شود کمک کنیم.

سپس در طول دوره، ما با چندین کتابخانه پایتون کار خواهیم کرد و آموزش کاملی را به شما ارائه خواهیم داد. ما از عملکرد قدرتمند سری زمانی ساخته شده در پانداها و همچنین سایر کتابخانه های اساسی مانند NumPy، matplotlib، StatsModels، امور مالی، ARCH و prima استفاده خواهیم کرد.

با این ابزارها، ما به پرکاربردترین مدل‌های موجود در بازار مسلط خواهیم شد:

· AR (مدل خودرگرسیون)

· MA (مدل میانگین متحرک)

· ARMA (مدل میانگین متحرک خودکار)

· ARIMA (مدل میانگین متحرک یکپارچه اتورگرسیو)

· ARIMAX (مدل میانگین متحرک یکپارچه رگرسیون با متغیرهای برون زا)

. SARIA (مدل میانگین متحرک اتورگرسیو فصلی)

. SARIMA (مدل میانگین متحرک یکپارچه اتورگرسیو فصلی)

. SARIMAX (مدل میانگین متحرک یکپارچه اتورگرسیو فصلی با متغیرهای برون زا)

· ARCH (مدل ناهمگونی شرطی اترورگرسیون)

· GARCH (مدل ناهمگونی شرطی خودبازگشت عمومی تعمیم یافته)

. VARMA (مدل میانگین متحرک اتورگرسیو برداری)


ما می دانیم که سری های زمانی یکی از آن موضوعاتی است که همیشه شک و شبهه هایی را به وجود می آورد.

تا کنون.

این دوره دقیقاً همان چیزی است که شما برای درک سری های زمانی یک بار برای همیشه نیاز دارید. نه تنها این، بلکه تعداد زیادی مواد اضافی را نیز دریافت خواهید کرد - فایل های دفترچه یادداشت، یادداشت های دوره، سؤالات مسابقه، و تمرینات بسیار زیاد - همه چیز گنجانده شده است.


این تنها دوره ای است که آخرین تکنیک های آماری و یادگیری عمیق را برای تجزیه و تحلیل سری های زمانی ترکیب می کند. ابتدا، این دوره مفاهیم اولیه سری های زمانی را پوشش می دهد:

  • ایستایی و آزمایش دیکر-فولر تقویت شده

  • فصلی

  • نویز سفید

  • راه رفتن تصادفی

  • رگرسیون خودکار

  • میانگین متحرک

  • ACF و PACF،

  • انتخاب مدل با AIC (معیار اطلاعات Akaike)

سپس، مدل‌های آماری پیچیده‌تری را برای پیش‌بینی سری‌های زمانی اعمال می‌کنیم:

  • ARIMA (مدل میانگین متحرک یکپارچه اترگرسیون)

  • SARIMA (مدل میانگین متحرک یکپارچه خودبازگشتی فصلی)

  • SARIMAX (مدل میانگین متحرک یکپارچه خودرگرسیون فصلی با متغیرهای برون زا)

ما همچنین پیش‌بینی سری‌های زمانی متعدد را با:

پوشش می‌دهیم
  • VAR (خودرگرسیون برداری)

  • VARMA (مدل میانگین متحرک خودرگرسیون برداری)

  • VARMAX (مدل میانگین متحرک خودرگرسیون برداری با متغیر برونزا)

سپس، به بخش یادگیری عمیق می‌رویم، جایی که از Tensorflow برای اعمال تکنیک‌های یادگیری عمیق مختلف برای تحلیل سری‌های زمانی استفاده می‌کنیم:

  • مدل خطی ساده (شبکه عصبی 1 لایه)

  • DNN (شبکه عصبی عمیق)

  • CNN (شبکه عصبی کانولوشنال)

  • LSTM (حافظه کوتاه مدت بلند مدت)

  • مدل‌های CNN + LSTM

  • ResNet (شبکه های باقیمانده)

  • LSTM خود رگرسیون

در طول دوره، بیش از 5 پروژه پایان به انتها را در پایتون تکمیل خواهید کرد که همه کد منبع در دسترس شماست.


سرفصل ها و درس ها

پایتون - مقدمه ای بر مبانی پایتون برای مبتدیان PYTHON - Introduction to Basics of Python for Beginners

  • پایتون - ساختارهای داده (فهرست ها، تاپل، فرهنگ لغت) و دستکاری های رشته ای Python - Data Structures (Lists, Tuple, Dictionary) and String Manipulations

  • پایتون - پیاده سازی لامبدا، بازگشت، توابع. Python - Implementation Of Lambda, Recursion, Functions.

  • پایتون - درک کتابخانه ها، تجزیه و تحلیل داده های اکتشافی، تجزیه و تحلیل توصیفی Python - Understand Of Libraries,Exploratory Data Analysis,Descriptive Analysis

مبانی آمار کسب و کار برای تجزیه و تحلیل داده ها Foundations of Business Statistics for Data Analysis

  • مقدمه ای بر آمار و سنجش گرایش های مرکزی Introduction to statistics and Measures of central tendencies

  • قضیه حد مرکزی - CLT Central Limit Theorem - CLT

  • توزیع ها و همبستگی ها Distributions and Correlations

  • PDF و CDF و آزمون فرضیه PDF & CDF and Hypothesis Testing

تجزیه و تحلیل سری های زمانی - مقدمه ای بر مبانی سری های زمانی برای مبتدیان TIME SERIES ANALYSIS - Introduction to Basics of Time Series for Beginners

  • TIME SERIES - ویژگی ها و تجزیه داده های سری زمانی TIME SERIES - Characteristics and Decomposition of Time Series Data

  • سری زمانی - بهترین روش های احتمال، آمار و مدل های پیش بینی TIME SERIES - Best Practices of Probability, Statistics and Forecasting Models

  • TIME SERIES - درک عملی تجزیه و تحلیل سری های زمانی با داده های پزشکی TIME SERIES - Practical Understanding of Time Series Analysis with Medical Data

پروژه Capstone: UK_Road_Accident_Timeseries_Forecasting_EDA Capstone Project : UK_Road_Accident_Timeseries_Forecasting_EDA

  • UK_Road_Accident_Timeseries_Forecasting_EDA UK_Road_Accident_Timeseries_Forecasting_EDA

  • پیش بینی نرخ تصادفات بریتانیا بر اساس تعداد تلفات در SARIMA، FbP، LSTM Forecast UK Accident rates based on Number of Casualties on SARIMA,FbP,LSTM's

نمایش نظرات

تحلیل و پیش بینی سری های زمانی کاربردی در پایتون
جزییات دوره
8.5 hours
12
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
1,610
4.8 از 5
دارد
دارد
دارد
Akhil Vydyula
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Akhil Vydyula Akhil Vydyula

Full Stack Data Scientist

سلام!

اسم من Akhil Vydyula است، من یک دانشمند داده هستم

من قبلاً روی تجزیه و تحلیل داده های BFSI کار کرده بودم و مهارت های مدل سازی برای نظارت بر چرخه تمام عمر توسعه و اجرا. او دارای توانایی قوی است.

قابلیت بحث در مورد داده ها، مهندسی ویژگی، توسعه الگوریتم، آموزش مدل و پیاده سازی.

مهارت ها و شایستگی ها

دانش و تجربه تخصصی با برنامه نویسی C/C++/python و SQL.

باید قادر به یادگیری و اجرای سریع و موثر فناوری های جدید باشد.

مهارت های ریاضی عالی، مهارت های منطقی حل مسئله .

شرکت فعال در هکاتون ها در پلتفرم های مختلف و نوشتن وبلاگ در رسانه.

مهارت های فنی

یادگیری ماشین، پردازش زبان طبیعی (NLP)، Computer Vision، Regression، Multi Label

Classification.Transfer Learning، Transformers، Ensembles، Stacking Classifiers.AutoML، SQL، Python، Keras، Pandas، NumPy، Seaborn، Matplotlib، Clustering، Systems Recommendation ,تحلیل سری زمانی.