آموزش تحلیل سری زمانی کاربردی با پایتون - آخرین آپدیت

دانلود Applied Time Series Analysis in Python

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

تحلیل سری زمانی با پایتون و تنسورفلو: تکنیک‌های آماری و یادگیری عمیق

این دوره آموزشی به شما امکان می‌دهد با استفاده از پایتون و تنسورفلو، جدیدترین تکنیک‌های آماری و یادگیری عمیق را برای تحلیل سری زمانی به کار ببرید.

مفاهیم پایه سری زمانی:

  • آمار توصیفی در مقابل آمار استنباطی
  • مدل گام تصادفی (Random Walk Model)
  • مدل میانگین متحرک (Moving Average Model)
  • خودرگرسیون (Autoregression)
  • توابع خودهمبستگی و خودهمبستگی جزئی (ACF and PACF)
  • ایستایی (Stationarity) و آزمون دیکی-فولر تعمیم‌یافته
  • فصلی بودن (Seasonality)
  • نویز سفید (White Noise)
  • انتخاب مدل با معیار اطلاعات آکائیکه (AIC)

مدل‌های آماری پیشرفته برای پیش‌بینی سری زمانی:

  • ARIMA (مدل خودرگرسیون یکپارچه میانگین متحرک)
  • SARIMA (مدل خودرگرسیون یکپارچه میانگین متحرک فصلی)
  • SARIMAX (مدل خودرگرسیون یکپارچه میانگین متحرک فصلی با متغیرهای بیرونی)

پیش‌بینی سری زمانی چند متغیره:

  • VAR (خودرگرسیون برداری)
  • VARMA (مدل میانگین متحرک خودرگرسیون برداری)
  • VARMAX (مدل میانگین متحرک خودرگرسیون برداری با متغیر بیرونی)

تحلیل سری زمانی با یادگیری عمیق و تنسورفلو:

  • مدل‌های خطی ساده (شبکه عصبی تک لایه)
  • DNN (شبکه‌های عصبی عمیق)
  • CNN (شبکه‌های عصبی کانولوشنی)
  • LSTM (حافظه کوتاه‌مدت طولانی)
  • مدل‌های CNN + LSTM
  • ResNet (شبکه‌های باقیمانده)
  • LSTM خودرگرسیو

خودکارسازی تحلیل سری زمانی با Prophet

در طول این دوره، بیش از 5 پروژه کامل از ابتدا تا انتها را با پایتون تکمیل خواهید کرد و تمامی کدهای منبع در اختیار شما قرار خواهد گرفت.

پیش‌نیازها:

  • دانش پایه پایتون
  • دانش پایه یادگیری عمیق
  • نصب Jupyter Notebook (یا دسترسی به Google Colab)

سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه Introduction

  • سری‌های زمانی چیستند؟ What are Time Series?

معرفی Introduction

  • سری های زمانی چیست؟ What are Time Series?

رویکرد یادگیری آماری: بلوک‌های سازنده Statistical Learning Approach: The Building Blocks

  • آمار پایه Basic Statistics

  • آمار پایه Basic Statistics

  • راه اندازی تمرینات کدنویسی Setup for coding exercises

  • تنظیمات برای تمرین‌های کدنویسی Setup for coding exercises

  • تمرین کدنویسی: آمار توصیفی و استنباطی Coding Exercise: Descriptive and Inferential Statistics

  • تمرین کدگذاری: آمار توصیفی و استنباطی Coding Exercise: Descriptive and Inferential Statistics

  • خودهمبستگی و نویز سفید Autocorrelation and White Noise

  • مانایی و تفاضل‌گیری Stationarity and Differencing

رویکرد یادگیری آماری: بلوک های ساختمانی Statistical Learning Approach: The Building Blocks

  • خودهمبستگی و نویز سفید Autocorrelation and White Noise

  • ایستایی و تفاوت Stationarity and Differencing

رویکرد یادگیری آماری: مدل‌های پایه Statistical Learning Approach: Basic Models

  • گام تصادفی Random Walk

  • تمرین کدنویسی: گام تصادفی Coding Excercise: Random Walk

  • مدل میانگین متحرک Moving Average Model

  • تمرین کدنویسی: مدل میانگین متحرک Coding Exercise: Moving Average Model

  • مدل خودرگرسیو Autoregressive Model

  • پروژه کوچک: مدل خود رگرسیون Mini Project: Autoregressive Model

  • پروژه کوچک: مدل خودرگرسیو Mini Project: Autoregressive Model

  • ARMA: مدل خودرگرسیو میانگین متحرک ARMA: Autoregressive Moving Average Model'

  • ARMA: مدل میانگین متحرک خود رگرسیون ARMA: Autoregressive Moving Average Model'

  • تمرین کدنویسی: ARMA Coding Exercise: ARMA

رویکرد یادگیری آماری: مدل های پایه Statistical Learning Approach: Basic Models

  • پیاده روی تصادفی Random Walk

  • تمرین کدنویسی: پیاده روی تصادفی Coding Excercise: Random Walk

  • مدل میانگین متحرک Moving Average Model

  • تمرین کدگذاری: مدل میانگین متحرک Coding Exercise: Moving Average Model

  • مدل خودرگرسیون Autoregressive Model

  • تمرین کدگذاری: ARMA Coding Exercise: ARMA

رویکرد یادگیری آماری: مدل‌های پیشرفته Statistical Learning Approach: Advanced Models

  • ARIMA: مدل خودرگرسیو میانگین متحرک یکپارچه ARIMA: Autoregressive Integrated Moving Average Model

  • پروژه ۱: ARIMA Project 1: ARIMA

  • پروژه 1: ARIMA Project 1: ARIMA

  • SARIMA SARIMA

  • پروژه ۲: SARIMA Project 2: SARIMA

  • AIC: معیار اطلاعات آکائیکه AIC: Akaike Information Criterion

  • SARIMAX SARIMAX

  • پروژه ۳: SARIMAX Project 3: SARIMAX

  • روال کلی مدل‌سازی General Modelling Procedure

  • روش کلی مدل سازی General Modelling Procedure

  • VAR: خودرگرسیون‌های برداری VAR: Vector Autoregressions

  • پروژه ۴ - بخش ۱: VAR Project 4 - Part 1: VAR

  • پروژه ۴ - بخش ۲: VARMA Project 4 - Part 2: VARMA

  • پروژه ۴ - بخش ۳: VARMAX Project 4 - Part 3: VARMAX

رویکرد یادگیری آماری: مدل های پیشرفته Statistical Learning Approach: Advanced Models

  • ARIMA: مدل میانگین متحرک یکپارچه اتورگرسیو ARIMA: Autoregressive Integrated Moving Average Model

  • ساریما SARIMA

  • پروژه 2: ساریما Project 2: SARIMA

  • AIC: معیار اطلاعات Akaike AIC: Akaike Information Criterion

  • SARIMAX SARIMAX

  • پروژه 3: SARIMAX Project 3: SARIMAX

  • VAR: خودرگرسیون برداری VAR: Vector Autoregressions

  • پروژه 4 - قسمت 1: VAR Project 4 - Part 1: VAR

  • پروژه 4 - قسمت 2: VARMA Project 4 - Part 2: VARMA

  • پروژه 4 - قسمت 3: VARMAX Project 4 - Part 3: VARMAX

رویکرد یادگیری عمیق: تئوری Deep Learning Approach: Theory

  • معرفی Introduction

  • مقدمه Introduction

  • شبکه‌های عصبی عمیق (DNN) Deep Neural Networks (DNN)

  • شبکه عصبی بازگشتی و حافظه کوتاه‌مدت بلند (RNN و LSTM) Recurrent Neural Network and Long Short-Term Memory (RNN and LSTM)

  • شبکه‌های عصبی کانولوشنال (CNN) Convolutional Neural Networks (CNN)

رویکرد یادگیری عمیق: نظریه Deep Learning Approach: Theory

  • معرفی Introduction

  • شبکه های عصبی عمیق (DNN) Deep Neural Networks (DNN)

  • شبکه عصبی مکرر و حافظه کوتاه مدت (RNN و LSTM) Recurrent Neural Network and Long Short-Term Memory (RNN and LSTM)

  • شبکه های عصبی کانولوشن (CNN) Convolutional Neural Networks (CNN)

رویکرد یادگیری عمیق: پروژه سرتاسری Deep Learning Approach: End-to-end Project

  • پروژه ۵ - بخش ۱: تنظیمات اولیه Project 5 - Part 1: Initial setup

  • پروژه 5 - قسمت 1: راه اندازی اولیه Project 5 - Part 1: Initial setup

  • پروژه ۵ - بخش ۲: تجزیه و تحلیل اکتشافی داده‌ها (EDA) Project 5 - Part 2: Exploratory Data Analysis (EDA)

  • پروژه 5 - قسمت 3: مهندسی ویژگی Project 5 - Part 3: Feature Engineering

  • پروژه ۵ - بخش ۳: مهندسی ویژگی Project 5 - Part 3: Feature Engineering

  • پروژه ۵ - بخش ۴: پنجره‌سازی داده‌ها و تابع آموزش Project 5 - Part 4: Data Windowing and Training Function

  • پروژه 5 - قسمت 4: پنجره داده ها و عملکرد آموزشی Project 5 - Part 4: Data Windowing and Training Function

  • پروژه ۵ - بخش ۵: مدل‌های تک مرحله‌ای Project 5 - Part 5: Single Step Models

  • پروژه ۵ - بخش ۶: مدل‌های چند خروجی Project 5 - Part 6: Multi Output Models

  • پروژه ۵ - بخش ۷: مدل‌های چند مرحله‌ای Project 5 - Part 7: Multi Step Models

رویکرد یادگیری عمیق: پروژه پایان به پایان Deep Learning Approach: End-to-end Project

  • پروژه 5 - قسمت 2: تجزیه و تحلیل داده های اکتشافی (EDA) Project 5 - Part 2: Exploratory Data Analysis (EDA)

  • پروژه 5 - قسمت 5: مدل های تک مرحله ای Project 5 - Part 5: Single Step Models

  • پروژه 5 - قسمت 6: مدل های چند خروجی Project 5 - Part 6: Multi Output Models

  • پروژه 5 - قسمت 7: مدل های چند مرحله ای Project 5 - Part 7: Multi Step Models

نتیجه‌گیری و منابع Conclusion and References

  • تبریک و تشکر! Congratulations and Thank You!

  • تبریک و تشکر از شما! Congratulations and Thank You!

  • منابع References

نتیجه گیری و مراجع Conclusion and References

  • منابع References

بونوس: تحلیل خودکار سری‌های زمانی با Prophet Bonus: Automated Time Series Analysis with Prophet

  • مقدمه Prophet Introduction to Prophet

  • معرفی پیامبر Introduction to Prophet

  • کار با Prophet Working with Prophet

  • کار با پیامبر Working with Prophet

  • پروژه: پیش‌بینی تعداد مسافران اتوبوس با Prophet Project: Predict Bus Ridership with Prophet

پاداش: تجزیه و تحلیل سری های زمانی خودکار با پیامبر Bonus: Automated Time Series Analysis with Prophet

  • پروژه: پیش بینی اتوبوس سواری با پیامبر Project: Predict Bus Ridership with Prophet

نمایش نظرات

آموزش تحلیل سری زمانی کاربردی با پایتون
جزییات دوره
7 hours
43
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
3,400
4.4 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

Marco Peixeiro Marco Peixeiro

دانشمند داده و مدرس