به پیش بینی بازار ارزهای دیجیتال با پیامبر، دوره یادگیری ماشین سری Time خوش آمدید. این یک دوره جامع مبتنی بر پروژه است که در آن گام به گام نحوه انجام تجزیه و تحلیل پیچیده و تجسم روی مجموعه داده های بازار ارزهای دیجیتال را خواهید آموخت. این دوره عمدتاً بر پیشبینی قیمت ارزهای دیجیتال با استفاده از سه مدل پیشبینی مختلف متمرکز خواهد بود، این مدلها عبارتند از پیامبر، تجزیه سریهای زمانی و یادگیری ماشین، به ویژه که ما از Random Forest و XGBoost استفاده میکنیم. در مورد زبان برنامه نویسی، ما قصد داریم از Python در کنار چندین کتابخانه مانند Pandas برای انجام مدل سازی داده ها، Numpy برای انجام محاسبات پیچیده، Matplotlib برای تجسم داده ها، و TensorFlow که یک کتابخانه یادگیری ماشین منبع باز است که برای ساخت و آموزش انواع مختلف استفاده می شود، استفاده کنیم. مدل های یادگیری عمیق در همین حال، برای منبع داده، ما قصد داریم مجموعه داده بازار کریپتو را از Kaggle دانلود کنیم. در جلسه معرفی، اصول اولیه پیشبینی بازار ارزهای دیجیتال، مانند آشنایی با ویژگیهای بازار کریپتو و مدلهای پیشبینی مورد استفاده را خواهید آموخت. سپس با یادگیری ریاضیات پایه مدل پیامبر و تجزیه سری های زمانی ادامه دهید که در آن گام به گام در مورد نحوه تجزیه و تحلیل مطالعه موردی و انجام محاسبات پایه راهنمایی خواهید شد. این جلسه به منظور آماده سازی دانش و درک شما قبل از پیاده سازی این مدل ها در پروژه پیش بینی است. پس از آن، همچنین چندین فاکتور را یاد خواهید گرفت که به طور بالقوه می توانند بر بازار ارزهای دیجیتال تأثیر بگذارند، مانند نقدینگی، ارزش بازار، حجم معاملات و عرضه در گردش. هنگامی که تمام دانش لازم را در مورد پیش بینی بازار کریپتو یاد گرفتید، پروژه را آغاز می کنیم، ابتدا به شما گام به گام در مورد نحوه راه اندازی Google Colab راهنمایی می شود زیرا ما از آن به عنوان IDE در این پروژه استفاده می کنیم، سپس شما همچنین نحوه یافتن و دانلود مجموعه داده ها از Kaggle را یاد خواهد گرفت. پس از تهیه IDE و مجموعه داده ها، وارد قسمت اصلی دوره می شوید که قسمت پروژه است. این پروژه از سه بخش تشکیل خواهد شد، بخش اول پیشبینی بازار ارزهای دیجیتال با استفاده از مدل پیامبر، بخش دوم پیشبینی بازار ارزهای دیجیتال با استفاده از مدل تجزیه سریهای زمانی، در همین حال، بخش سوم پیشبینی بازار ارزهای دیجیتال با استفاده از مدلهای یادگیری ماشین بهویژه Random Forest و Random Forest است. XGBoost. در پایان، در پایان دوره، همچنین یاد خواهید گرفت که چگونه ارزیابیهای مدل را برای ارزیابی دقت و کیفیت مدل پیشبینی خود انجام دهید.
اول از همه، قبل از ورود به دوره، باید این سوالات را از خود بپرسیم: چرا باید پیشبینی بازار ارزهای دیجیتال را یاد بگیریم؟ آیا قرار است دقیق باشد؟ خوب، پاسخ های زیادی برای این سوالات وجود دارد. اولاً، هم فناوری ارزهای دیجیتال و هم فناوری کلان داده در چند سال گذشته بسیار سریع پیشرفت کرده اند، بنابراین، ترکیب هر دو به نظر ایده ای درخشان است. علاوه بر آن، ادغام فناوری کلان داده بهویژه یادگیری ماشین و سریهای زمانی ما را قادر میسازد تا پیشبینیهای مبتنی بر دادههای دقیقتر انجام دهیم. نه تنها این، شناسایی الگوها و روندها از داده های تاریخی می تواند به عنوان یک شاخص خوب برای پیش بینی اتفاقات آینده استفاده شود. با این وجود، مهم نیست که مدل پیشبینی شما چقدر پیشرفته یا دقیق باشد، باز هم باید توجه داشته باشید که در مورد پیشبینی، چیزی به نام دقت 100٪ وجود ندارد. آخرین اما نه کماهمیت، یادگیری نحوه پیشبینی میتواند مجموعهای از دانش و مهارت بسیار ارزشمند باشد زیرا میتوانید همان مفهوم دقیق را در بازارهای دیگر مانند بازار سهام، بازار کالا یا حتی بازار املاک و مستغلات پیادهسازی کنید.
در زیر مواردی وجود دارد که میتوانید از این دوره یاد بگیرید:
مبانی اساسی پیشبینی بازار ارزهای دیجیتال، مانند آشنایی با ویژگیهای بازار کریپتو و مدلهای پیشبینی مورد استفاده را بیاموزید
ریاضی و منطق پشت مدل پیشبینی پیامبر را بیاموزید، مانند آشنایی با فاکتور روند، مؤلفه فصلی و مؤلفه تعطیلات
ریاضی و منطق پشت مدل تجزیه سری های زمانی را بیاموزید، مانند شناخت مؤلفه روند، مؤلفه فصلی و مؤلفه باقیمانده
با نحوه تقسیم مجموعه داده با استفاده از الگوریتم جنگل تصادفی و نحوه محاسبه ناخالصی جینی آشنا شوید
چند فاکتوری را که میتوانند به طور بالقوه بر بازار ارزهای دیجیتال تأثیر بگذارند، بیاموزید، مانند عرضه در گردش، حجم معاملات، نقدینگی، ارزش بازار و امنیت
با نحوه یافتن و دانلود مجموعه داده ها از Kaggle آشنا شوید
با نحوه آپلود داده ها در Google Colab Studio آشنا شوید
با نحوه پاک کردن مجموعه داده ها از مقادیر از دست رفته و مقادیر تکراری آشنا شوید
با نحوه تشخیص نقاط پرت در مجموعه داده آشنا شوید
با نحوه تجزیه و تحلیل و تجسم نوسان قیمت روزانه و سالانه آشنا شوید
با نحوه تشخیص روند بازار و محاسبه میانگین متحرک آشنا شوید
با نحوه یافتن ارتباط بین قیمت و حجم با استفاده از TensorFlow آشنا شوید
با نحوه ساخت مدل پیش بینی با استفاده از پیامبر آشنا شوید
با نحوه ساخت مدل پیش بینی با استفاده از تجزیه سری های زمانی آشنا شوید
با نحوه ساخت مدل پیشبینی با استفاده از یادگیری ماشین، بهویژه الگوریتم Random Forest و XGBoost آشنا شوید
با نحوه ارزیابی دقت و کیفیت مدلهای پیشبینی با استفاده از پوشش بازه پیشبینی، تجزیه و تحلیل مؤلفهها و تجزیه و تحلیل اهمیت ویژگیها آشنا شوید
مشاور سابق ریسک فناوری و علاقهمند به تجارت الکترونیک
نمایش نظرات