آموزش تجزیه و تحلیل کامل سری زمانی با پایتون

Complete Time Series Analysis With Python

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: سری زمانی پایتون: نحوه استفاده از علم داده، آمار و یادگیری ماشین برای مدل‌سازی داده‌های سری زمانی در پایتون، داده‌های سری زمانی استاد در پایتون و در تجزیه و تحلیل داده‌های سری زمانی ماهر شوید. تکنیک‌های علمی برای پیاده‌سازی داده‌های زندگی واقعی تکنیک‌های متداول پردازش و تجسم داده‌ها برای داده‌های سری زمانی در پایتون، قادر به خواندن، پیش پردازش و تجسم داده‌های سری زمانی هستند. داده ها برای پیش بینی ارزش های آینده استفاده از رگرسیون یادگیری ماشین برای پیش بینی ارزش های آینده پیش نیازها: آشنایی قبلی با رابط نوت بوک های مشتری و نصب بسته قبل از قرار گرفتن در معرض تکنیک های آماری پایه (مانند مقادیر p، میانگین، واریانس) قادر به انتقال داده ها باشید. خواندن و کارهای پیش پردازش مانند پاک کردن داده ها در پایتون علاقه به کار با داده های سری زمانی یا داده هایی با مولفه زمانی برای آنها

این راهنمای کامل شما برای تجزیه و تحلیل داده‌های سری زمانی در پایتون است!

این دوره راهنمای کامل شما برای تجزیه و تحلیل سری های زمانی با استفاده از پایتون است. بنابراین،   همه  جنبه های اصلی  تجزیه و تحلیل داده های زمانی در n عمق پوشش داده می شود.

اگر این دوره را گذرانده اید، می توانید از گذراندن دوره های دیگر یا خرید کتاب در مورد تجزیه و تحلیل داده های مبتنی بر پایتون صرف نظر کنید.

در این عصر داده‌های بزرگ، شرکت‌ها در سراسر جهان از پایتون برای بررسی بهمن اطلاعاتی که در اختیار دارند استفاده می‌کنند. با مهارت در تجزیه و تحلیل داده‌های سری زمانی در پایتون، می‌توانید به شرکت خود مزیت رقابتی بدهید و حرفه خود را به سطح بعدی ارتقا دهید.

                                                     

از یک دانشمند داده خبره  با 5 سال تجربه بیاموزید:

هی، نام من مینروا سینگ است و من فارغ التحصیل کارشناسی ارشد دانشگاه آکسفورد (جغرافی و محیط زیست) هستم. من اخیراً یک دکترا را در دانشگاه کمبریج به پایان رساندم.

من +5 سال تجربه در تجزیه و تحلیل داده های واقعی از منابع مختلف با استفاده از تکنیک های مرتبط با علم داده دارم و انتشارات زیادی برای مجلات بین المللی بررسی شده تولید کرده ام.

 در طول تحقیقاتم متوجه شدم که تقریباً تمام دوره‌ها و کتاب‌های علوم داده پایتون موجود در آنجا، ماهیت چندبعدی موضوع را توضیح نمی‌دهند.

بنابراین، بر خلاف سایر مربیان، من ویژگی‌های علم داده R را عمیقاً بررسی می‌کنم و به شما پایه‌ای بی‌نظیر را در موضوعات مرتبط با علم داده ارائه می‌دهم!

شما از انجام پاک‌سازی خواندن داده‌ها تا در نهایت پیاده‌سازی الگوریتم‌های آماری و یادگیری ماشینی قدرتمند برای تجزیه و تحلیل داده‌های سری زمانی خواهید رفت.

از جمله موارد دیگر:

  • با بسته های قدرتمند مبتنی بر پایتون برای تجزیه و تحلیل سری های زمانی آشنا خواهید شد.

  • شما با تکنیک‌های رایج، روش‌های تجسم و تکنیک‌های یادگیری ماشینی/عمیق که می‌توانند برای داده‌های سری زمانی پیاده‌سازی شوند، آشنا خواهید شد.

  • شما یاد خواهید گرفت که این چارچوب ها را در داده های واقعی از جمله سهام موقت و داده های مالی به کار ببرید.

هیچ دانش یادگیری ماشینی یا پایتون قبلی یا آمار/ماشین مورد نیاز نیست!

شما با جذب ارزشمندترین اصول و تکنیک های علوم داده پایتون شروع خواهید کرد. من برای ساده‌سازی و پرداختن به سخت‌ترین مفاهیم در پایتون از روش‌های ساده و قابل فهم استفاده می‌کنم.

دوره آموزشی من به شما کمک می‌کند روش‌ها را با استفاده از داده‌های واقعی که از منابع مختلف به دست آمده‌اند، پیاده‌سازی کنید. بسیاری از دوره‌ها از داده‌های ساختگی استفاده می‌کنند که دانش‌آموزان را قادر به پیاده‌سازی علوم داده مبتنی بر پایتون در زندگی واقعی نمی‌کند.

بعد از گذراندن این دوره، به راحتی از بسته های سری زمانی رایج در پایتون استفاده خواهید کرد...

حتی مفاهیم اساسی را درک خواهید کرد تا بفهمید کدام الگوریتم‌ها و روش‌ها برای داده‌های شما مناسب‌تر هستند.

ما با داده های واقعی کار خواهیم کرد و شما به تمام کدها و داده های استفاده شده در دوره دسترسی خواهید داشت.

اکنون به دوره من بپیوندید!


سرفصل ها و درس ها

مقدمه دوره Introduction to the Course

  • به تجزیه و تحلیل سری های زمانی با پایتون خوش آمدید Welcome to Time Series Analysis with Python

  • داده ها و اسکریپت های مورد استفاده در دوره Data and Scripts Used in the Course

  • مقدمه ای بر محیط علم داده پایتون Introduction to the Python Data Science Environment

  • دستورالعمل نصب برای مک Installation Instructions For Mac

در داده ها از منابع داده های خارجی بخوانید Read in Data From External Data Sources

  • آشنایی با پانداها Introduction to Pandas

  • در داده های CSV بخوانید Read in CSV Data

  • در اکسل دیتا بخوانید Read in Excel Data

  • در داده های HTML بخوانید Read in HTML Data

  • در داده های JSON بخوانید Read in JSON Data

پیش پردازش و تجسم داده های سری زمانی در پایتون Preprocessing & Visualising Time Series Data in Python

  • برخی از توابع اختصاصی پایتون Some Date Specific Python Functions

  • نمونه ای از داده های سری زمانی در پایتون An Example of Time Series Data in Python

  • جزئیات بیشتر در مورد Datetime More Details on Datetime

  • عملیات پایه بر روی داده های سری زمانی Basic Operations on Time Series Data

  • نظریه پشت تجزیه و تحلیل داده های اکتشافی (EDA) Theory Behind Exploratory Data Analysis (EDA)

  • اصول تجسم داده ها Principles of Data Visualization

  • داده های سری زمانی را آماده کنید Prep Up the Time Series Data

  • نمودارهای خطی برای بررسی داده های زمانی Line Charts For Examining Temporal Data

  • چندین خط در یک نمودار Multiple Lines in the Same Chart

  • جمع آوری و تجسم خلاصه داده ها Aggregating & Visualising Data Summary

  • استفاده از نمودارهای چند خطی برای تشخیص اطلاعات خاص Using Multiple Line Plots For Discerning Specific Information

  • هیستوگرام ها Histograms

  • تغییرات زمانی دو موجودیت را ترسیم کنید Plot the Temporal Variations of Two Entities

ویژگی ها و شرایط داده های سری زمانی Characteristics & Conditions of Time Series Data

  • مثال پیش‌بینی میانگین متحرک (MA). Moving Average (MA) Forecast Example

  • داده های سری زمانی کلاسیک Classical Time Series Data

  • اجزای مختلف داده های سری زمانی Different Components of Time Series Data

  • فصلی قسمتی از سری زمانی Seasonal Part of Time Series

  • فصلی ضربی و جمعی Of Multiplicative and Additive Seasonality

  • تست ثابت بودن: تست ADF Testing for Stationarity: ADF Test

  • سری زمانی را ثابت کنید: ثبت نام کنید Make Time Series Stationary: Take Log

  • تفاوت مرتبه اول برای ثابت کردن سری زمانی First Order Differencing to Make Time Series Stationary

  • تفاوت مبتنی بر گزارش Log Based Differencing

  • رگرسیون خطی برای کاهش روند Linear Regression For Detrending

پیش بینی سری های زمانی پایه Basic Time Series Forecasting

  • Rolling Mean برای تشخیص تغییرات زمانی Rolling Mean For Detecting Temporal Variation

  • هموارسازی نمایی ساده (SES) Simple Exponential Smoothing (SES)

  • هموارسازی نمایی ساده را Holt گسترش داد Holt extended simple exponential smoothing

  • زمستان هالت Holt Winters

  • مدل رگرسیون خودکار (AR): مراحل زمانی قبلی را در نظر بگیرید Auto Regression Model (AR): Consider Previous Time Steps

  • پیاده سازی یک مدل پایه ARIMA Implement a Basic ARIMA Model

  • ARIMA خودکار و حساب برای فصلی (SARIMA) Automated ARIMA & Account for Seasonality (SARIMA)

یادگیری ماشین برای سری های زمانی Machine Learning For Time Series

  • جنگل تصادفی برای شناسایی دوره های زمانی مهم Random Forest For Identifying Important Time Periods

  • پیش بینی سری زمانی "پیامبرانه". "Prophetic" Time Series Forecasting

  • استفاده از پیامبر برای پیش بینی ارزش ها برای یک بازه زمانی آینده Using Prophet For Predicting Values for a Future Time Frame

از یادگیری عمیق برای داده های سری زمانی استفاده کنید Use Deep Learning For Time Series Data

  • کراس چیست؟ What is Keras?

  • Keras را روی ویندوز نصب کنید Install Keras on Windows

  • Keras را در مک نصب کنید Install Keras on Mac

  • نظریه پشت ANN و DNN Theory Behind ANN and DNN

  • MLP برای سری های زمانی MLP For Time Series

  • LSTM برای داده های سری زمانی LSTM For Time Series Data

  • LSTM برای پیش بینی قیمت سهام LSTM For Predicting Stock Prices

  • تک متغیره LSTM برای پیش بینی سهام Univariate LSTM For Stock Prediction

  • ارزش های نادیده Unseen Values

سخنرانی های متفرقه Miscellaneous Lectures

  • پیش بینی قیمت بیت کوین Bitcoin Price Forecasting

نمایش نظرات

آموزش تجزیه و تحلیل کامل سری زمانی با پایتون
جزییات دوره
4.5 hours
52
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
5,348
4.4 از 5
دارد
دارد
دارد
Minerva Singh
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Minerva Singh Minerva Singh

دانشمند تحصیل کرده آکسبریج

سلام. من فارغ التحصیل دکترا از دانشگاه کمبریج هستم که در آنجا در اکولوژی گرمسیری تخصص دارم. من همچنین یک دانشمند داده هستم. به عنوان بخشی از تحقیقاتم، باید تجزیه و تحلیل گسترده داده‌ها، از جمله تجزیه و تحلیل داده‌های مکانی را انجام دهم. یا برای این منظور ترجیح می‌دهم از ترکیبی از ابزارهای رایگان نرم‌افزار R، QGIS و Python استفاده کنم. بیشتر کار تجزیه و تحلیل داده‌های مکانی خود را با استفاده از R انجام می‌دهم. و QGIS. اینها جدا از رایگان بودن، ابزارهای بسیار قدرتمندی برای تجسم، پردازش و تجزیه و تحلیل داده ها هستند. من همچنین دارای مدرک کارشناسی ارشد جغرافیا و محیط زیست از دانشگاه آکسفورد هستم. من مهارت های آماری و تجزیه و تحلیل داده های خود را از طریق تعدادی MOOC از جمله The Analytics Edge (دوره آماری مبتنی بر R و یادگیری ماشین ارائه شده توسط EdX)، یادگیری آماری (دوره یادگیری ماشین مبتنی بر R ارائه شده توسط Standford آنلاین) تقویت کرده ام. علاوه بر تجزیه و تحلیل داده های مکانی، در تجزیه و تحلیل آماری، یادگیری ماشین و داده کاوی نیز مهارت دارم. من همچنین از برنامه نویسی عمومی، تجسم داده ها و توسعه وب لذت می برم. من علاوه بر اینکه یک دانشمند و اعداد شکن هستم، یک مسافر مشتاق هستم