لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
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
نمایش نظرات