آموزش یک فرو رفتن عمیق در پیش بینی با اکسل و پایتون.

A Deep Dive Into Forecasting with Excel and Python.

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: پیش بینی با اکسل و پایتون یادگیری ماشین و پیش بینی آماری برای زنجیره تامین تجزیه سری زمانی تحلیل تک متغیره برای سری های زمانی تجزیه و تحلیل دو متغیره و همبستگی خودکار. هموارسازی سری زمانی تنظیم فصلی سری زمانی ایجاد و کالیبره کردن پیش بینی در اکسل. یادگیری پایتون و استفاده از آن به عنوان ابزار روزمره برای پیش بینی استفاده از بسته sktime برای روش‌ها و تجمیع‌های پیش‌بینی پیشرفته. پیش بینی سری های زمانی کاربردهای مختلف پیش بینی Python Arima پیش بینی یادگیری ماشینی پیش بینی سلسله مراتبی Excel پیش نیازها:خیر


سلام :)

پیش‌بینی 1000 سال است که وجود داشته است. این از نیاز ما به برنامه ریزی ناشی می شود تا بتوانیم جهتی برای آینده داشته باشیم. می‌توانیم پیش‌بینی را پله‌ای برای برنامه‌ریزی بدانیم. و به همین دلیل است که مانند همیشه مهم است که پیش‌بینی‌کنندگان خوبی در مؤسسات، زنجیره‌های تأمین، شرکت‌ها و کسب‌وکارها داشته باشیم.

با نگرانی های رو به رشد پایداری و ردپای کربن. آیا آن را باور می کنید؟ یک پیش بینی خوب در واقع به صرفه جویی در منابع از طریق زنجیره ارزش و در واقع نجات سیاره کمک می کند. یک پیش بینی در یک زمان نیازی به ذکر نیست، پیش‌بینی در بازاریابی، عملیات، امور مالی، و برنامه‌ریزی برای زنجیره‌های تامین، تقریباً همه چیز ضروری است


این دوره با هدف راهنمایی شما به آخرین تکنیک ها و روندهای پیش بینی آماری است. اما ابتدا باید بدانیم که چگونه پیش‌بینی بر روی استدلال پشت روش‌های آماری کار می‌کند و چه زمانی هر روش برای استفاده مناسب است. به همین دلیل است که ابتدا با اکسل شروع می کنیم و با پایتون مقیاس می کنیم. "اگر پایتون را نمی دانید نگران نباشید، بخش های اساسی Crash گنجانده شده است.


این دوره برای همه سطوح است زیرا در پیش بینی از صفر تا قهرمان شروع می کنیم.

در این دوره ما یاد می گیریم و اعمال می کنیم:

1- تجزیه سری زمانی در اکسل و پایتون.

2- تجزیه و تحلیل تک متغیره برای سری های زمانی در اکسل و پایتون..

3- تجزیه و تحلیل دو متغیره و همبستگی خودکار در اکسل و پایتون..

4- هموارسازی سری های زمانی و بدست آوردن روند با میانگین متحرک دوگانه و متمرکز.

5- تنظیم فصلی سری زمانی.

6- پیش بینی های ساده و پیچیده در اکسل.

7- از تبدیل ها برای کاهش واریانس در حین پیش بینی استفاده کنید.

8-تولید و کالیبره کردن پیش بینی در اکسل.

9- یادگیری پایتون و استفاده از آن به عنوان یک ابزار روزمره برای پیش بینی.

10- استفاده از بسته sktime برای روش‌ها و تجمیع‌های پیش‌بینی پیشرفته.

11- استفاده از بسته statsmodels برای جستجوی شبکه در ARIMA.

12- اعمال گردش کار از مدل های مختلف در دو خط کد.

13- کالیبره کردن روش‌های پیش‌بینی.

14- اعمال سری های زمانی سلسله مراتبی با رویکردهای پایین به بالا، وسط به بیرون و از بالا به پایین.

16- از روش جدید آشتی sktime برای تجمیع استفاده کنید.

15- استفاده از Fable برای ایجاد پیش بینی برای سری های 10000 زمانی و موارد دیگر!!

16- ویژگی سری زمانی نسل.

17-نمونه‌گیری مجدد و اعتبارسنجی متقابل پیش‌بینی.



بسیاری از مفاهیم و تحلیل‌ها را ابتدا در اکسل توضیح می‌دهم، زیرا اکسل را بهترین راه برای توضیح یک مفهوم می‌دانم و سپس با پایتون مقیاس، بهبود و تعمیم می‌دهیم. در پایان این دوره، مجموعه ای هیجان انگیز از مهارت ها و جعبه ابزاری خواهید داشت که همیشه می توانید هنگام مقابله با چالش های پیش بینی به آن اعتماد کنید.


پیش‌بینی مبارک!

هیثم

تغییر مقیاس تجزیه و تحلیل



بازخورد مشتریان، دوره‌های آموزشی و سایر دوره‌های آنلاین:

"من با انتظارات زیادی در این دوره شرکت کردم. و ناامید نشدم. این باور نکردنی است که ببینیم پایتون از نظر برنامه ریزی و بهینه سازی زنجیره تامین چه چیزی ممکن است. هیثم به عنوان یک مربی کار عالی انجام می دهد. شروع با توضیح اصول اولیه و پایان دادن به ارائه تکنیک های پیشرفته ای که مدیران زنجیره تامین می توانند در زندگی واقعی به کار گیرند."

بلوک لارسن

مدیر مدیریت زنجیره تامین در Freudenberg Home and Cleaning Solutions GmbH




"در سه ماهه چهارم 2018، پس از شنیدن در مورد آن از منابع غیرمستقیم در بریتانیا، خوشبختانه فرصتی برای یادگیری R در دبی پیدا کردم.


من در کلاس کارشناسی ارشد برنامه ریزی تقاضای پیش بینی زنجیره تامین که توسط هیثم عمر برگزار شد شرکت کردم و احتمالات بی پایان به نظر می رسید. بنابراین، ما از هیثم درخواست کردیم که یک کارگاه آموزشی 5 روزه در دفتر ما برای آموزش 8 کارمند برگزار کند، که ما را به عنوان یک تیم برای تجزیه و تحلیل عمیق‌تر داده‌ها باز کرد. امروز، ما یک گام فراتر رفته‌ایم و هیثم را به‌عنوان مشاور حفظ کرده‌ایم تا تجزیه و تحلیل داده‌هایمان را به سطح بالاتری برسانیم و به ما در اجرای دستورالعمل‌های موجودی برای کسب‌وکارمان کمک کنیم. پیشرفت اقدامات ما در بالا نشانه واضحی از قابلیت های هیثم به عنوان متخصص در R و در تجزیه و تحلیل داده ها، برنامه ریزی تقاضا و مدیریت موجودی است."


شیلش مندونکا

Adventure Adventure AHQ- Sharaf Group




«هیثم در نقش من به‌عنوان رئیس کارآمدی زنجیره تأمین مرا راهنمایی کرد. او دانش بسیار زیادی در مورد مفاهیم تامین، آخرین روندها و معیارها در دنیای زنجیره تامین دارد. رویکرد تحلیل محور هیثم برای توصیه و اجرای تغییرات قابل توجهی در زنجیره تامین ما در گروه Aster بسیار مفید بود.»

سیفی نقوی

رئیس کارایی زنجیره تامین



"من در جلسه آموزشی به نام "مدیریت پیش‌بینی زنجیره تامین" در 22 دسامبر 2018 شرکت کردم. این آموزش در کار روزانه‌ام کمک زیادی به من کرد زیرا در Purchase Dpt کار می‌کنم. هیثم این آموزش را دارد که محاسبات و فرمول های بسیار دشوار را به روشی ساده برای ما توضیح دهد. من این آموزش را به شدت توصیه می کنم.»

Djamel BOUREMIZ

مدیر خرید در Mineral Circle Bearings




سرفصل ها و درس ها

معرفی Introduction

  • معرفی Introduction

  • پیش‌بینی پله‌ی برنامه‌ریزی است Forecasting is the stepping stone of planning

  • سری زمانی Time Series

  • مشکلات در پیش بینی Difficulties in forecasting

  • برنامه های کاربردی پیش بینی Forecasting applications

  • پیش بینی در مدیریت موجودی Forecasting in inventory management

  • روش های مختلف پیش بینی Different Forecasting Methods

  • 2020 و کووید 2020 and COVID

  • تجزیه و تحلیل سری زمانی Time Series analysis

  • روش های علی Causal Methods

  • ثابت بودن داده ها Stationarity of the data

  • خلاصه Summary

  • امتحان در فصل 1 Quiz on Chapter 1

سری زمانی و استخراج الگو Time Series and Pattern extraction

  • معرفی Introduction

  • تجزیه و تحلیل آماری تک متغیره Univariate Statistical analysis

  • تک متغیره قسمت 2 Univariate Part2

  • آمار دو متغیره Bivariate Statistics

  • همبستگی خودکار Auto-Correlation

  • وظیفه Assignment

  • راه حل تکلیف Assignment Solution

  • خلاصه Summary

روش های ساده پیش بینی Simple forecasting methods

  • روش های ساده پیش بینی Simple Forecasting methods

  • ساده لوح و ساده لوح فصلی Naive and Seasonal Naive

  • میانگین درصد خطا Mean Percentage error

  • میانگین فصلی Seasonal average

  • میانگین خطای مقیاس مطلق Mean absolute scaled error

  • هموارسازی نمایی ساده و تبدیل log Simple exponential smoothing and log transformations

  • روش های ساده پیش بینی Simple forecasting Methods

  • روش های ساده و ساده پیش بینی Naive and Simple forecasting methods

  • رگرسیون خطی، میانگین متحرک وزنی سفارشی و SES linear Regression , Custom weighted moving average and SES

  • بهینه سازی پارامترها Optimizing the Parameters

  • بهترین روش ساده پیش بینی Best Simple Forecasting Method

  • تکالیف ساده پیش بینی Simple Forecasting assignments

  • راه حل Solution

  • خلاصه Summary

میانگین متحرک دوگانه، میانگین متحرک مرکزی و تجزیه. Double Moving average, Centered Moving average and Decomposition.

  • معرفی Introduction

  • میانگین های متحرک Moving Averages

  • سری های بی روند De-trending series

  • تجزیه سری زمانی Time-series Decomposition

  • تجزیه افزودنی Additive Decomposition

  • تجزیه ضربی Multiplicative Decomposition

  • وظیفه Assignment

  • تجزیه حل شد Decomposition Solved

  • خلاصه Summary

هموارسازی نمایی Exponential Smoothing

  • معرفی Introduction

  • هموارسازی نمایی ساده Simple Exponential Smoothing

  • هموارسازی نمایی Holt Holt Exponential Smoothing

  • راه اندازی آلفا و بتا Initialization of alpha and Beta

  • مدل Holt در اکسل Holt Model in Excel

  • Hot-winters توضیح Holt-winters Explanation

  • مدل زمستانی هولت افزودنی Additive Holt Winters Model

  • پیش بینی 12 ماهه با Holt Winters 12 month Forecast with Holt Winters

  • هولت-وینترز ضربی Multiplicative Holt-Winters

  • 12 ماه پیش با هموارسازی نمایی ضربی 12 Month ahead with multiplicative exponential smoothing

  • تکلیف Holt Assignment Holt

  • راه حل تکلیف Assignment Solution

رگرسیون خطی چندگانه Multiple linear Regression

  • معرفی introduction

  • مقدمه ای بر رگرسیون خطی Intro to linear regression

  • رگرسیون خطی چندگانه در اکسل Multiple linear regression in excel

  • تناسب مدل Fitting the model

  • انتقال به پایتون Shifting to Python

به پایتون خوش آمدید Welcome to Python

  • پایتون! Python!

  • دانلود Anaconda downloading Anaconda

  • نصب آناکوندا Installing Anaconda

  • بررسی اجمالی Spyder Spyder overview

  • نمای کلی نوت بوک مشتری Jupiter Notebook overview

  • کتابخانه های پایتون Python Libraries

  • خلاصه Summary

اصول برنامه نویسی پایتون Python Programming fundmentals

  • مقدمه Intro

  • چارچوب های داده Dataframes

  • محاسبات حسابی با پایتون Arithmetic Calculations with Python

  • لیست ها Lists

  • لغت نامه ها Dictionaries

  • آرایه ها Arrays

  • وارد کردن داده ها در پایتون Importing data in Python

  • زیرمجموعه قاب های داده Subsetting Data Frames

  • شرایط Conditions

  • توابع نوشتاری Writing functions

  • نقشه برداری mapping

  • برای حلقه ها for loops

  • برای حلقه کردن یک تابع for looping a function

  • نقشه برداری در یک قاب داده Mapping On a data frame

  • برای حلقه زدن روی یک قاب داده for looping on a data frame

  • خلاصه Summary

  • وظیفه Assignment

  • پاسخ تکلیف 1 Assignment answer 1

  • پاسخ تکلیف 2 Assignment answer 2

کار با تاریخ در پایتون working with dates in Python

  • معرفی تاریخ ها Dates intro

  • زمان قرار datetime

  • آخرین تاریخ و آخرین خرید Last purchase date and recency

  • هیستوگرام اخیر recency histogram

  • مدل سازی زمان بین ورود Modeling inter-arrival time

  • مدل سازی زمان بین ورود 2 Modeling inter-arrival time 2

  • مدل سازی زمان بین ورود 3 Modeling inter-arrival time 3

  • نمونه گیری مجدد Resampling

  • سری زمانی نورد rolling time series

  • رولینگ سری زمانی 2 rolling Time series 2

  • خلاصه Summary

  • وظیفه Assignment

  • پاسخ تکلیف Assignment answer

پیش بینی آماری در پایتون Statistical Forecasting in Python

  • معرفی Introduction

  • معرفی سری زمانی Time Series Intro

  • اندازه گیری دقت Accuracy Measures

  • آماده سازی داده ها برای سری های زمانی Preparing the data for time-series

  • دریافت اجزای سری زمانی: سخنرانی Getting the time series components: Lecture

  • دریافت مولفه های سری زمانی Getting the time series components

  • استفاده از اجزا components uses

  • مدل های آریما Arima Models

  • تست ایستایی در پایتون Stationarity test in python

  • آریما در پایتون Arima in python

  • تشخیص ARIMA ARIMA diagnostics

  • جستجوی شبکه ای Grid search

  • برای حلقه کردن ARIMA For looping ARIMA

  • رسیدگی به خطا error handling

  • متناسب با بهترین مدل fitting the best model

  • به معنای خطای مطلق Mean absolute error

  • مقایسه آریما Arima Comparison

  • هموارسازی نمایی Exponential smoothing

  • هموارسازی نمایی در پایتون Exponential smoothing in python

  • مقایسه مدل های هموارسازی نمایی Comparing exponential smoothing models

  • خلاصه سری زمانی Time series summary

  • وظیفه. Assignment.

  • توضیح تکلیف 1 Assignment Explanation 1

  • توضیح تکلیف 2 assignment explanation 2

  • توضیح تکلیف 3 Assignment explanation 3

  • توضیح تکلیف 4 Assignment Explanation 4

پیش بینی یادگیری ماشین با sktime Machine learning forecasting with sktime

  • در حال نصب sktime Installing sktime

  • چرا Forecasting با Sklearn یادگیری ماشین معمولی متفاوت است؟ Why Forecasting is different from normal machine learning sklearn?

  • استراتژی های مختلف فیتینگ با sktime Different Fitting strategies with sktime

  • برآوردگرهای مختلف در sktime Different estimators in sktime

  • کتابخانه ها Libraries

  • تبدیل از هفتگی به ماهانه سری های زمانی Transforming from weekly to monthly timeseries

  • تغییر از تاریخ عادی به تاریخ دوره Changing from a normal date to a period date

  • تقسیم سری های زمانی Splitting timeseries

  • همسایه زانویی Knearestneighbor

  • استخراج آینده Deriving the future

  • به روز رسانی سری زمانی با 2 سال اضافی updating the time series with extra 2 years

  • تعریف تابع پیش بینی Defining a forecast function

  • رگرسیور هدف تبدیل شده Transformed target Regressor

  • تست عملکرد Testing the function

  • ترسیم نتایج Plotting the results

  • دقت اندازه گیری Measuring acccuracy

  • اعتبار سنجی متقابل Cross Validation

  • نتیجه Conclusion

  • وظیفه Assignment

  • توضیح تکلیف قسمت 1 Assignment Explanation part 1

  • توضیح تکلیف قسمت 2 assignment explanation part 2

  • توضیح تکلیف قسمت 3 Assignment explanation part 3

  • تکلیف قسمت 4 Assignment part 4

  • تکلیف قسمت 5 Assignment part 5

  • تکلیف قسمت 6 Assignment Part 6

  • تکلیف قسمت آخر Assignment last part

  • خلاصه Summary

استخراج ویژگی سری های زمانی، اعتبارسنجی متقاطع و خطوط لوله Time series feature extraction , cross validation and pipelines

  • معرفی Introduction

  • انواع شکاف پنجره Window splitter types.

  • ویژگی های سری زمانی Time-series features

  • اعتبار سنجی متقابل مدل ها Models cross validation

  • مدل های نهایی Finalizing models

پیش بینی سلسله مراتبی Hierarchal forecasting

  • معرفی Introduction

  • سطوح یک سلسله مراتب Levels of a Hierarchy

  • رویکرد میانه رو Middle-out approach

  • رویکرد بالا به پایین Top Down approach

  • استفاده از سطح پیش بینی Forecasting level Usage

  • اصلاح Reconciliation

  • داده های گردشگری Tourism Data

  • ساخت سریال فصلی Making Quarterly series

  • نمایه سازی به عنوان یک سلسله مراتب Indexing as a Hierarchy

  • نصب چندین مدل به طور همزمان Fitting Multiple models at once

  • تجمعات Aggregations

  • پیش بینی از پایین به بالا Bottom up Forecasting

  • پیش بینی بالا به پایین Top Down forecasting

  • مقایسه پیش بینی ها Comparing Forecasts

  • مقایسه سطح 0 Level 0 Comparison

  • سطح 0 قسمت 2 Level 0 part 2

  • از بالا به پایین و حداقل مربعات وزنی Topdown and weighted least squares

  • یادداشت پایانی Final note

نمایش نظرات

نظری ارسال نشده است.

آموزش یک فرو رفتن عمیق در پیش بینی با اکسل و پایتون.
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
17.5 hours
175
Udemy (یودمی) udemy-small
10 شهریور 1402 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
2,197
4.9 از 5
دارد
دارد
دارد
Haytham Omar

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Haytham Omar Haytham Omar

مشاور زنجیره تامین "هرگز کتابی را از روی جلد دنبال نکنید ، در دنیایی که هر ثانیه تغییر می کند ، ما باید مقاوم و فعال باشیم." مشاور/توسعه دهنده/مربی مشاور مدیریت زنجیره تامین و هوش تجاری موسس - Rescale Analytics - دبی • دانشجوی دکتری در دانشگاه بوردو. • زنجیره تامین و مشاور علم داده برای چندین مشتری ملی و چند ملیتی در امارات و فرانسه. • دانشمند داده ، کارشناسی ارشد مدیریت زنجیره تامین جهانی از Bordeaux Ecole de Management ، بوردو ، فرانسه او در حال حاضر کارگاه ها و سمینارهایی در زمینه زنجیره تامین و علم داده و همچنین پروژه های مشاوره ای برای Sephora ، گروه شرف و داروسازی آستر برگزار می کند.

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.