آموزش پیش بینی ترافیک با پایتون: LSTM و شبکه عصبی گراف

دانلود Traffic Forecasting with Python: LSTM & Graph Neural Network

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: پیش‌بینی ترافیک مبتنی بر پایتون با Keras: LSTM و شبکه‌های کانولوشن گراف برای مدل‌سازی داده‌های مکانی-زمانی درک و تحلیل داده‌های ترافیک دنیای واقعی با استفاده از پایتون. شبکه‌های کانولوشن گراف (GCN) را برای داده‌های ترافیک پیاده‌سازی و اعمال کنید. برای پیش‌بینی سری‌های زمانی، شبکه‌های LSTM را با GCN ترکیب کنید. پیش پردازش و عادی سازی مجموعه داده های بزرگ برای یادگیری ماشین. ساخت، آموزش، و ارزیابی مدل های پیش بینی با استفاده از TensorFlow و Keras. نتایج مدل را برای پیش بینی ترافیک تجسم و تفسیر کنید. پیش نیازها: تسلط پایه در برنامه نویسی پایتون. دسترسی به یک کامپیوتر با اتصال به اینترنت برای کدگذاری و تجزیه و تحلیل داده ها.

این دوره یک سفر عمیق به دنیای پیش‌بینی سری‌های زمانی پیشرفته را ارائه می‌دهد، که به طور خاص برای تجزیه و تحلیل داده‌های ترافیک با استفاده از پایتون طراحی شده است. در طول دوره، فراگیران با مجموعه داده PeMSD7، یک مجموعه داده سرعت ترافیک در دنیای واقعی، برای توسعه مدل‌های پیش‌بینی‌کننده که می‌توانند شرایط ترافیک را با دقت بالا پیش‌بینی کنند، درگیر خواهند شد. این دوره بر ادغام شبکه‌های حافظه کوتاه‌مدت (LSTM) با شبکه‌های کانولوشن گراف (GCN) تمرکز می‌کند و زبان‌آموزان را قادر می‌سازد تا تکنیک‌های پیشرفته را در تجزیه و تحلیل داده‌های مکانی-زمانی درک و به کار ببرند.


موضوعات کلیدی شامل پیش پردازش داده، مهندسی ویژگی، ساخت مدل و ارزیابی، با کدنویسی عملی در پایتون برای تقویت درک است. یادگیرندگان همچنین تجربه عملی در استفاده از کتابخانه های محبوب مانند TensorFlow و Keras برای برنامه های یادگیری عمیق کسب خواهند کرد.


این دوره برای کسانی که به دنبال پیشرفت شغلی خود در علم داده، یادگیری ماشین یا صنایع مبتنی بر هوش مصنوعی هستند ایده آل است. مهارت‌های عملی به‌دست‌آمده برای نقش‌هایی در برنامه‌ریزی شهر هوشمند، تحلیل حمل‌ونقل و هر زمینه‌ای که بر مدل‌سازی پیش‌بینی تکیه می‌کند بسیار ارزشمند خواهد بود. در پایان دوره، فراگیران نه تنها درک قوی از تکنیک‌های پیش‌بینی پیشرفته خواهند داشت، بلکه برای فرصت‌های شغلی در علم داده و زمینه‌های مرتبط نیز به خوبی آماده می‌شوند، جایی که می‌توانند به راه‌حل‌های نوآورانه در مدیریت ترافیک و توسعه شهری کمک کنند.


سرفصل ها و درس ها

نمایش نظرات

آموزش پیش بینی ترافیک با پایتون: LSTM و شبکه عصبی گراف
جزییات دوره
1 hour
38
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
100
5 از 5
دارد
دارد
دارد
Karthik K
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Karthik K Karthik K

مهندس محاسبات مهندس اختصاص داده شده به استفاده از قدرت CFD و یادگیری ماشین برای حل مشکلات دنیای واقعی ، بهبود طراحی و ارزیابی عملکرد. بیش از ده سال تجربه در مهندسی و محیط تحقیق و توسعه. متخصص مهندسی با تمرکز بر چند فیزیک CFD-ML از IIT Madras. با تجربه در اجرای راه حل های عمل گرا برای مسئله پیچیده کسب و کار.