آموزش پیش‌بینی بازار کریپتو با سری زمانی و یادگیری ماشین

Forecast Crypto Market with Time Series & Machine Learning

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: یاد بگیرید چگونه بازار ارزهای دیجیتال را با مدل پیامبر، تجزیه سری زمانی، جنگل تصادفی و XGBoost پیش‌بینی کنید. آموزش ساخت مدل پیش‌بینی با استفاده از تجزیه سری‌های زمانی آموزش ساخت مدل پیش‌بینی با استفاده از یادگیری ماشین، به‌ویژه الگوریتم جنگل تصادفی و XGBoost یاد بگیرید چگونه دقت و کیفیت مدل‌های پیش‌بینی را با استفاده از پوشش بازه پیش‌بینی، تجزیه و تحلیل مؤلفه‌ها و تحلیل اهمیت ویژگی ارزیابی کنید. ریاضیات و منطق‌های پشت مدل پیش‌بینی پیامبر را بیاموزید، مانند آشنایی با فاکتور روند، مؤلفه فصلی و مؤلفه تعطیلات، ریاضیات و منطق‌های پشت مدل تجزیه سری‌های زمانی، مانند آشنایی با مؤلفه روند، مؤلفه فصلی و مؤلفه باقیمانده را بیاموزید. مجموعه داده ها را با استفاده از الگوریتم Random Forest تقسیم کنید و نحوه محاسبه ناخالصی جینی را بیاموزید چندین عامل را که می توانند به طور بالقوه بر بازار ارزهای دیجیتال تأثیر بگذارند، مانند عرضه در گردش، حجم تراکنش، نقدینگی، ارزش بازار و امنیت بیاموزید. نحوه تشخیص نقاط پرت در مجموعه داده آموزش نحوه تجزیه و تحلیل و تجسم نوسانات قیمت روزانه و سالانه آموزش تشخیص روند بازار و محاسبه میانگین متحرک آموزش یافتن ارتباط بین قیمت و حجم با استفاده از TensorFlow پیش نیازها: تجربه قبلی در پیش بینی بازار ارزهای دیجیتال وجود ندارد نیازی به تجربه قبلی در سری های زمانی یا یادگیری ماشینی نیست. تمایل به یادگیری و انجام آزمایش های زیادی با مجموعه داده های پیچیده

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


سرفصل ها و درس ها

معرفی Introduction

  • مقدمه دوره Introduction to the Course

  • فهرست مطالب Table of Contents

  • این دوره برای چه کسانی در نظر گرفته شده است؟ Whom This Course is Intended for?

ابزارها، IDE و Datsets Tools, IDE, and Datsets

  • ابزارها، IDE و مجموعه داده ها Tools, IDE, and Datasets

مقدمه ای بر پیش بینی بازار ارزهای دیجیتال Introduction to Cryptocurrency Market Forecasting

  • مقدمه ای بر پیش بینی بازار ارزهای دیجیتال Introduction to Cryptocurrency Market Forecasting

محاسبه مدل پیامبر Prophet Model Calculation

  • محاسبه مدل پیامبر Prophet Model Calculation

محاسبه تجزیه سری زمانی Time Series Decomposition Calculation

  • محاسبه تجزیه سری زمانی Time Series Decomposition Calculation

منطق الگوریتم جنگل تصادفی Random Forest Algorithm Logics

  • منطق الگوریتم جنگل تصادفی Random Forest Algorithm Logics

عواملی که می توانند بر بازار ارزهای دیجیتال تأثیر بگذارند Factors That Can Impact Cryptocurrency Market

  • عواملی که می توانند بر بازار ارزهای دیجیتال تأثیر بگذارند Factors That Can Impact Cryptocurrency Market

راه اندازی Google Colab IDE Setting Up Google Colab IDE

  • راه اندازی Google Colab IDE Setting Up Google Colab IDE

یافتن و دانلود مجموعه داده ها از Kaggle Finding & Downloading Datasets From Kaggle

  • یافتن و دانلود مجموعه داده های بازار رمزنگاری از Kaggle Finding & Downloading Crypto Market Datasets From Kaggle

آماده سازی پروژه Project Preparation

  • آپلود مجموعه داده های بازار رمزنگاری در Google Colab Uploading Crypto Market Dataset to Google Colab

  • مروری سریع بر مجموعه داده های بازار رمزنگاری Quick Overview of Crypto Market Dataset

تمیز کردن مجموعه داده ها و تشخیص نقاط پرت Cleaning Dataset & Detecting Outliers

  • تمیز کردن مجموعه داده ها و تشخیص نقاط پرت Cleaning Dataset & Detecting Outliers

پروژه 1: ساخت مدل پیش بینی ساختمان با پیامبر Project 1: Building Forecasting Model with Prophet

  • تجزیه و تحلیل و تجسم نوسان قیمت Analysing & Visualising Price Volatility

  • پیش بینی قیمت با مدل پیامبر Forecasting Price with Prophet Model

پروژه 2: مدل پیش بینی ساختمان با تجزیه سری زمانی Project 2: Building Forecasting Model with Time Series Decomposition

  • تشخیص روند قیمت و محاسبه میانگین متحرک Detecting Price Trend & Calculating Moving Average

  • پیش بینی قیمت با تجزیه سری زمانی Forecasting Price with Time Series Decomposition

پروژه 3: ساخت مدل پیش بینی با یادگیری ماشین Project 3: Building Forecasting Model with Machine Learning

  • یافتن همبستگی بین قیمت و حجم با TensorFlow Finding Correlation Between Price & Volume with TensorFlow

  • پیش بینی قیمت با مدل های Random Forest و XGBoost Forecasting Price with Random Forest & XGBoost Models

پیش بینی ارزیابی مدل Forecasting Model Evaluations

  • پیش بینی ارزیابی مدل Forecasting Model Evaluations

  • انجام پوشش فاصله پیش بینی Performing Prediction Interval Coverage

  • انجام تجزیه و تحلیل مؤلفه ها Performing Component Analysis

  • انجام تجزیه و تحلیل اهمیت ویژگی Performing Feature Importance Analysis

نتیجه گیری و خلاصه Conclusion & Summary

  • نتیجه گیری و خلاصه Conclusion & Summary

نمایش نظرات

آموزش پیش‌بینی بازار کریپتو با سری زمانی و یادگیری ماشین
جزییات دوره
3 hours
25
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
3,003
3.7 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Christ Raharja Christ Raharja

مشاور سابق ریسک فناوری و علاقه‌مند به تجارت الکترونیک