آموزش یادگیری ماشین ARIMA - پیش‌بینی سری‌های زمانی. مطالعه موردی CO2 - آخرین آپدیت

دانلود ARIMA Machine Learning- timeseries forecasts. CO2 case study

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

پیش‌بینی سری زمانی CO2 با استفاده از یادگیری ماشین برای مناطق مختلف

کدها و مطالب آموزشی (مقالات، اسلایدها و ...) را به صورت کامل دانلود کنید.

کدها هر 6 تا 12 ماه یکبار به‌روزرسانی می‌شوند! برای دانلود مطالب جدید، به طور مرتب بازدید کنید!

هر زمان به کمک نیاز داشتید، به مدرس پیام دهید! پاسخ‌ها در عرض چند ساعت داده می‌شوند!

شما یاد خواهید گرفت که چگونه یادگیری ماشین ARIMA پیاده‌سازی شده و برای پیش‌بینی سری زمانی استفاده می‌شود.

پیش نیازها

هیچ پیش‌نیازی وجود ندارد، به جز دانش پایه پایتون.

  1. برای بهترین قیمت (بدون فاصله)
  2. دوره هر 6 تا 12 ماه به‌روزرسانی می‌شود. به طور مرتب بازدید کنید تا مطالب جدید را دانلود کنید!

مروری بر دوره

این دوره به شما آموزش می‌دهد که چگونه با استفاده از رگرسیون خطی و تکنیک‌های ARIMA، انتشار CO₂ را پیش‌بینی کنید. شما این تکنیک‌ها را روی داده‌های واقعی انتشار CO₂ از بانک جهانی اعمال خواهید کرد. شما یک متدولوژی واضح 10 مرحله‌ای را دنبال خواهید کرد که برای اطمینان از استحکام آماری و اعتبار علمی در پیش‌بینی‌های شما طراحی شده است. این دوره شامل مطالعات موردی است که مناطق اصلی جهان مانند هند، چین، ایالات متحده آمریکا، انگلستان، فرانسه، اتحادیه اروپا و میانگین جهانی را پوشش می‌دهد و به شما در درک روندهای انتشار منطقه‌ای کمک می‌کند. شما یاد خواهید گرفت که چگونه مدل‌های خود را با استفاده از تست‌های آماری پیشرفته اعتبارسنجی کنید، عدم قطعیت را کمّی کنید و نتایج را با دقت تفسیر کنید. این تمرین‌های عملی پیش‌بینی، توانایی شما را در استفاده از بینش‌های مبتنی بر داده برای سناریوهای زیست‌محیطی و اقتصادی افزایش می‌دهد. در پایان دوره، شما قادر خواهید بود پیش‌بینی‌های دقیق بلندمدت CO₂ تولید کنید و به طور معناداری در سیاست پایدار، برنامه‌ریزی شرکتی یا تحلیل خطر آب و هوا مشارکت کنید. این دوره همچنین اعتماد به نفس در استفاده از روش‌های سری زمانی برای تصمیم‌گیری در دنیای واقعی را افزایش می‌دهد.

این دوره برای افرادی که به تحلیل آب و هوا، اقتصاد انرژی یا علم داده با تمرکز بر پایداری علاقه‌مند هستند ضروری است. برای دانشجویان رشته‌های علوم محیطی، اقتصاد یا تحلیل داده، مهارت‌های مدل‌سازی عملی را ارائه می‌دهد که مستقیماً برای سیاست‌گذاری و برنامه‌ریزی در دنیای واقعی قابل استفاده است. اقتصاددانان انرژی و متخصصان پایداری مشتاق از تمرکز بر دقت آماری و پیش‌بینی منطقه‌محور بهره‌مند خواهند شد. برای متخصصان در سازمان‌های دولتی، شرکت‌های مشاوره، سازمان‌های مردم‌نهاد و سازمان‌های بین‌المللی، توانایی تولید و تفسیر پیش‌بینی‌های معتبر بلندمدت انتشار CO₂ به طور فزاینده‌ای حیاتی است. مشاغل مرتبط شامل تحلیلگر سیاست آب و هوا، پیش‌بینی‌کننده انرژی، دانشمند داده‌های زیست‌محیطی، استراتژیست پایداری و مشاور انتشار است. با جاه‌طلبانه‌تر شدن اهداف جهانی آب و هوا، این مهارت‌های پیش‌بینی در سراسر بخش‌هایی که مسیرهای انتقال انرژی و کربن‌زدایی را شکل می‌دهند، بسیار مورد تقاضا هستند.


سرفصل ها و درس ها

مقدمه Introduction

  • مروری Overview

  • متدولوژی ده مرحله ای Ten step methodology

  • از من به شما From Me to You

پیش پردازش داده Data Preprocessing

  • مقدمه Introduction

  • از من به شما From Me to You

  • پیش پردازش داده در پایتون Data Preprocessing in Python

  • دانلود کد برای این بخش Download the code for this section

  • دانلود تمام مجموعه داده ها Download all the datasets

تقسیم مجموعه داده Dataset Split

  • مقدمه Introduction

  • ویژگی های چند جمله ای Polynomial Features

  • تقسیم مجموعه داده Dataset split

پیاده سازی کامل آریما ARIMA full implementation

  • مقدمه Introduction

  • آموزش مدل ها Training the models

  • تست JB The JB test

  • پیش بینی های مجموعه آموزشی آریما ARIMA training set predictions

  • تولید پیش بینی های مجموعه آزمایشی Generating the test set predictions

  • خطاهای مجموعه آزمایشی Test set errors

  • خطاهای مجموعه آموزشی Training set errors

  • تحلیل بیش برازش Overfitting analysis

  • انجام تست ساده Conducting the naive test

  • تحلیل حساسیت در برابر ابرپارامترها Sensitivity analysis versus hyperparameters

  • تحلیل حساسیت روی خطاهای آزمایشی Sensitivity analysis on test errors

  • تئوری پیش بینی ها Theory on Forecasts

  • تولید پیش بینی ها Producing the forecasts

  • انتخاب نهایی مدل ها Final selection of models

مرتبه های بهینه آریما ARIMA Optimal Orders

  • مقدمه Introduction

  • مجموعه داده شاخص The indicator dataset

  • سری های ایستا و kPSS Stationary series and kPSS

  • تحلیل ایستایی Stationarity analysis

  • تفاضل گیری Differencing

  • نوت بوک آریما پیش بینی The forecast arima notebook

  • نمودارهای ACF و PACF ACF and PACF plots

  • تابع Auto ARIMA Auto ARIMA function

  • برازش مدل های آریما Fitting the ARIMA models

  • معکوس کردن عمل تفاضل گیری Inverting the differencing operation

  • پیش بینی های مجموعه آموزشی Training set predictions

  • MAPE (خطا) مجموعه آموزشی و آزمایشی Training and test set MAPE (error)

  • تحلیل بیش برازش Overfitting analysis

  • تولید پیش بینی ها Generating forecasts

  • آزمون های تشخیصی Diagnostic tests

نتیجه گیری ها Conclusions

  • از من به شما From Me to You

  • مروری Overview

نمایش نظرات

آموزش یادگیری ماشین ARIMA - پیش‌بینی سری‌های زمانی. مطالعه موردی CO2
جزییات دوره
5 hours
42
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
1,230
4.9 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