لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
پیشبینی سریهای زمانی مبتنی بر هوش مصنوعی با پایتون
AI-Powered Time Series Forecasting with Python
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
برای هر کسب و کاری، به دست آوردن و درک بینش در مورد روندهای آینده، خواسته های مشتری یا شرایط بازار عامل مهمی در موفقیت است. و با در دسترس بودن گسترده ابزارهای یادگیری ماشینی و هوش مصنوعی، هزاران کسبوکار میتوانند عملیات خود را از طریق پیشبینی سریهای زمانی افزایش دهند. در این دوره، Tobias Zwingmann شما را با پیشبینی سریهای زمانی با استفاده از پایتون و هوش مصنوعی آشنا میکند و نشان میدهد که چگونه میتوانید آنها را در کسبوکار خود اعمال کنید. بیاموزید که چگونه گردشهای کاری پیشبینی را از مسائل ایستا و کلاس درس به موارد استفاده در زمان واقعی و پویا ترجمه کنید. بهعلاوه، ابزارها و رویکردهایی را که میتوانید برای سایر وظایف هوش مصنوعی و یادگیری ماشین اعمال کنید، بیاموزید.
این دوره با GitHub Codespaces یکپارچه شده است، یک محیط توسعه دهنده ابر فوری که تمام عملکردهای IDE مورد علاقه شما را بدون نیاز به هیچ گونه راه اندازی ماشین محلی ارائه می دهد. با GitHub Codespaces، میتوانید در هر زمان و در هر زمانی از هر ماشینی تمرین عملی داشته باشید، در حالی که از ابزاری استفاده میکنید که احتمالاً در محل کار با آن مواجه خواهید شد. برای یادگیری نحوه شروع، ویدیوی «GitHub Codespace» را بررسی کنید.
سرفصل ها و درس ها
مقدمه
Introduction
فضاهای کد GitHub
GitHub Codespaces
آنچه شما باید بدانید
What you should know
مقدمه
Introduction
قدم اول مدل
Model walkthrough
1. سیستم های دسته ای
1. Batch Systems
راه حل: ویژگی X
Solution: Feature X
شروع کار با ویژگی های دسته ای در Codespaces
Getting started with batch features in Codespaces
چالش: ویژگی X
Challenge: Feature X
آموزش مدل ما برای پیش بینی
Training our model to predict
ویژگی های دسته ای چیست؟
What are batch features?
پیش بینی با مدل ما
Making predictions with our model
ساخت یک فروشگاه برای ویژگی های دسته ای
Building a store for batch features
مزایا و معایب پیش بینی دسته ای
Advantages and disadvantages of batch forecasting
2. نزدیک به سیستم های زمان واقعی
2. Near Real-Time Systems
پیش بینی آنلاین
Online prediction
چالش: ویژگی Y
Challenge: Feature Y
راه حل: ویژگی Y
Solution: Feature Y
الزامات سیستمهای پیشبینی نزدیک به زمان واقعی
Requirements for near real-time forecasting systems
مثال پایان به انتها
End-to-end example
محاسبه مجدد ویژگی ها
Recalculating features
سیستم های نزدیک به زمان واقعی چیست؟
What are near real-time systems?
ملاحظات فرکانس
Frequency considerations
مزایا و معایب زمان تقریباً واقعی
Advantages and disadvantages of near real-time
3. سیستم های زمان واقعی
3. Real-Time Systems
ویژگی های آنلاین
Online features
مجموعه داده های جریانی
Streaming datasets
الزامات سیستم های پیش بینی بلادرنگ
Requirements of real-time forecasting systems
چالش: ویژگی Z
Challenge: Feature Z
پیش بینی آنلاین
Online prediction
راه حل: ویژگی Z
Solution: Feature Z
مثال پایان به انتها
End-to-end example
مزایا و معایب پیش بینی بلادرنگ
Advantages and disadvantages of real-time forecasting
سیستم های پیش بینی بلادرنگ چیست؟
What are real-time forecasting systems?
پیش بینی زمان واقعی و ملاحظات تاخیر
Real-time forecasting and latency considerations
4. ارزیابی سیستم های پیش بینی سری های زمانی
4. Evaluating Time Series Forecasting Systems
ارزیابی مدل های پیش بینی
Evaluating forecasting models
بهترین شیوه ها برای بازآموزی مدل های سری زمانی
Best practices for retraining time series models
نتیجه گیری
Conclusion
مراحل بعدی برای پیش بینی هوش مصنوعی
Next steps for AI forecasting
Tobias Zwingmann یک متخصص هوش مصنوعی، نویسنده و دانشمند ارشد سابق داده است.
توبیاس یک شریک مدیریتی در RAPYD.AI است، یک شرکت مشاوره هوش مصنوعی مستقل و بی طرف از فروشنده و متخصص در نمونه سازی، توسعه، استراتژی و آموزش هوش مصنوعی. او بهعنوان یک دانشمند ارشد سابق داده، قدرت هوش مصنوعی را برای متحول کردن کسبوکارها و همچنین مشکلات رویکرد فناوری اول را دیده است. امروز، او با مشتریان در سرتاسر جهان کار میکند تا به آنها کمک کند تا در دنیای مبتنی بر هوش مصنوعی پیشرفت کنند و کسبوکارشان را در آینده حفظ کنند – در حالی که به جای جایگزینی افراد، بر توانمندسازی افراد تمرکز میکند.
نمایش نظرات