آموزش شبکه‌های عصبی کم‌عمق برای پیش‌بینی سری‌های زمانی - آخرین آپدیت

دانلود Shallow Neural Networks for Time Series Forecasting

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

یادگیری ماشین (ML)، یادگیری کم‌عمق و پیش‌بینی سری‌های زمانی!

دانلود کدها و مطالب بیشتر (مقالات، اسلایدها و غیره) با بهترین قیمت (فاصله‌ها را حذف کنید).

کدها هر 6-12 ماه به‌روز می‌شوند! به طور منظم بازدید کنید تا مطالب جدید را دانلود کنید!

هر زمان به کمک نیاز داشتید، فقط به مدرس پیام دهید! پاسخ در عرض چند ساعت!

شما یاد خواهید گرفت SNN چیست و چگونه برای پیش‌بینی سری‌های زمانی استفاده می‌شود. کاربرد: CO2. با استفاده از داده‌های رسمی بانک جهانی. مناطق متعدد.

پیش نیازها:

  • هیچ تجربه قبلی با یادگیری ماشین یا شبکه‌های عصبی مورد نیاز نیست.
  • یک کامپیوتر (ویندوز، macOS یا لینوکس) با دسترسی به اینترنت.
  • پایتون (ترجیحاً توزیع Anaconda).
  • درک اولیه از پایتون مفید است اما ضروری نیست.

1. برای بهترین قیمت (فاصله‌ها را حذف کنید)

2. دوره هر 6-12 ماه به‌روز می‌شود. به طور منظم بازدید کنید تا مطالب جدید را دانلود کنید!

3. مروری بر دوره: شبکه‌های عصبی کم‌عمق، متشکل از تنها یک لایه پنهان، قادر به مدل‌سازی موثر روابط غیرخطی در وظایفی هستند که داده‌ها محدود بوده و تفسیرپذیری مهم است. آنها برای رگرسیون، طبقه‌بندی دودویی و تقریب تابع ساده مناسب هستند و در مقایسه با معماری‌های عمیق‌تر، آموزش سریع‌تر و خطر کمتری از بیش‌برازش را ارائه می‌دهند. در حالی که ممکن است با الگوهای بسیار پیچیده مانند الگوهای تشخیص تصویر یا پردازش زبان طبیعی دست و پنجه نرم کنند، در داده‌های ساختاریافته و برنامه‌های کنترل یا بهینه‌سازی عملکرد خوبی دارند. این دوره همچنین تکنیک‌های پیش‌بینی سری‌های زمانی را با تمرکز بر مدل‌سازی انتشار CO₂ با استفاده از پایتون معرفی می‌کند. زبان‌آموزان مفاهیمی مانند پایایی، تفاضل و خودهمبستگی را بررسی می‌کنند و آنها را از طریق تمرین‌های عملی با استفاده از مجموعه داده‌های CO₂ واقعی اعمال می‌کنند. کتابخانه‌های پایتون مانند pandas، statsmodels و matplotlib برای ساخت و تجسم مدل‌های پیش‌بینی استفاده می‌شوند. کد قابل دانلود، نوت‌بوک‌های Jupyter و پشتیبانی مدرس برای اطمینان از توسعه مهارت‌های عملی ارائه شده است.

یادگیری در مورد شبکه‌های عصبی کم‌عمق و پیش‌بینی سری‌های زمانی برای درک و استفاده از یادگیری ماشین در محیط‌های عملی و داده‌محور - به ویژه در جایی که کارایی محاسباتی و شفافیت مهم است - مهم است. این دوره برای دانشجویان رشته علوم داده، سیستم‌های انرژی یا مدل‌سازی محیطی، اقتصاددانان انرژی مشتاق که به دنبال تجزیه و تحلیل روند انتشار یا مصرف انرژی هستند و متخصصان در زمینه‌هایی مانند پایداری، تجزیه و تحلیل داده‌ها یا برنامه‌ریزی سیاست ایده‌آل است. مشاغلی که از این مهارت‌ها بهره‌مند می‌شوند عبارتند از تحلیلگران انرژی، دانشمندان داده‌های آب و هوا، مشاوران محیط زیست، محققان عملیات و مهندسان سیستم‌های کنترل. زبان‌آموزان با تسلط بر این ابزارها می‌توانند در تصمیم‌گیری مبتنی بر داده‌ها در بخش‌هایی که با کاهش انتشار، بهینه‌سازی منابع و برنامه‌ریزی مبتنی بر پیش‌بینی سروکار دارند، سهیم باشند.


سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه Introduction

  • مدل‌های چند متغیره در مقابل مدل‌های تک متغیره Multivariate versus univariate models

  • مروری بر روش‌شناسی ده مرحله‌ای Overview of the ten-step methodology

  • از من به شما From Me to You

پیش پردازش داده Data Preprocessing

  • مقدمه Introduction

  • پیش پردازش داده Data Preprocessing

  • دانلود داده‌های اصلی Download the original data

  • از من به شما From Me to You

تقسیم مجموعه داده Dataset split

  • مقدمه Introduction

  • از من به شما From Me to You

  • ویژگی‌های چند جمله‌ای Polynomial Features

  • تقسیم مجموعه داده Dataset split

مقیاس‌بندی مجموعه داده Dataset scaling

  • مقدمه Introduction

  • مقیاس‌بندی داده‌ها و ماتریس‌های ویژگی Scaling the data and the features matrices

شبکه‌های عصبی کم عمق Shallow Neural Networks

  • مقدمه Introduction

  • کامپایل مدل‌ها Compiling the models

  • برازش و ترسیم مدل‌ها Fitting and drawing the models

  • ترسیم با جزئیات Drawing in detail

  • توضیح تابع فعال‌سازی Explanation of the activation function

  • تولید پیش‌بینی‌ها Generating predictions

  • خطاهای مجموعه آزمون Test set errors

  • خطاهای مجموعه آموزش Training set errors

  • تحلیل بیش‌برازش Overfitting analysis

  • آزمون مدل ساده Naive model test

  • تحلیل حساسیت و تنظیم ابرپارامتر Sensitivity analysis and hyperparameter tuning

  • تحلیل حساسیت Sensitivity analysis

  • پیش‌بینی‌ها: نظریه و روش‌شناسی Forecasts: theory and methodology

  • تولید پیش‌بینی‌ها Generating the forecasts

  • انتخاب نهایی مدل‌ها Final selection of the models

نتیجه‌گیری Conclusion

  • نتیجه‌گیری Conclusion

  • از من به شما From Me to You

نمایش نظرات

آموزش شبکه‌های عصبی کم‌عمق برای پیش‌بینی سری‌های زمانی
جزییات دوره
4.5 hours
31
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
1,028
5 از 5
دارد
ندارد
ندارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Algorithmic Economist (PhD) Algorithmic Economist (PhD)

متخصص انرژی کمّی | علم داده، یادگیری ماشین و بهینه‌سازی