لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش پیشبینی تقاضا با استفاده از سریهای زمانی
- آخرین آپدیت
دانلود Demand Forecasting Using Time Series
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره، دومین بخش از تخصص یادگیری ماشین برای مبانی زنجیره تأمین است. در این دوره، ما تمامی جنبههای سریهای زمانی، بهویژه برای پیشبینی تقاضا را بررسی میکنیم. ابتدا با مفاهیم پایه سریهای زمانی، از جمله ایستا بودن (Stationarity)، روند (Trend/Drift)، چرخهای بودن (Cyclicality) و فصلی بودن (Seasonality) شروع میکنیم. سپس، زمانی را به تحلیل متدهای متالکانس یا همبستگی در رابطه با سریهای زمانی (Autocorrelation) اختصاص میدهیم. در نیمه دوم دوره، بر متدهایی برای پیشبینی تقاضا با استفاده از سریهای زمانی، مانند مدلهای خودرگرسیونی (Autoregressive)، تمرکز میکنیم. در نهایت، دوره را با یک پروژه عملی، پیشبینی تقاضا با استفاده از مدلهای ARIMA در پایتون به پایان میرسانیم.
سرفصل ها و درس ها
نگاهی نخست به سریهای زمانی
A First Glance at Time Series
معرفی دوره
Course Introduction
معرفی ماژول
Module Introduction
مقدمهای بر سریهای زمانی
Introduction to Time Series
آبجکتهای Datetime در پایتون
Datetime Objects in Python
ترسیم نمودار با پانداز
Plotting with Pandas
انواع سریهای زمانی
Types of Time Series
تحلیل اکتشافی سریهای زمانی
Exploratory Analysis with Time Series
استقلال و خودهمبستگی
Independence and Autocorrelation
معرفی ماژول
Module Introduction
همبستگی
Correlation
شیفت دادن به سریهای زمانی
Shifting Time Series
مقدمهای بر خودهمبستگی
Introduction to Autocorrelation
تابع خودهمبستگی جزئی (PACF)
Partial Autocorrelation Function (PACF)
ریاضیات PACF
PACF Math
خودهمبستگی (بخش اول)
Autocorrelation (I)
خودهمبستگی (بخش دوم)
Autocorrelation (II)
رگرسیون و مدلهای ARIMA
Regression and ARIMA Models
نمایش نظرات