کانال تلگرام پشتیبانی تلگرام شماره تماس پشتیبانی: 0930 395 3766
ورود ثبت نام

آموزش تحلیل و پیش بینی سری های زمانی با استفاده از پایتون

Time Series Analysis and Forecasting using Python

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: آشنایی با مدل های پیش بینی تحلیل سری های زمانی در پایتون | تجسم داده های زمان|AR|MA|ARIMA|رگرسیون| ANN

آنچه یاد خواهید گرفت

  • درک کاملی از تحلیل و پیش بینی سری های زمانی داشته باشید
  • سناریوهای تجاری که در آن تجزیه و تحلیل سری زمانی قابل اجرا است را بدانید
  • ساخت 5 مدل مختلف پیش‌بینی سری زمانی در پایتون
  • با رگرسیون خودکار و مدل‌های میانگین متحرک آشنا شوید
  • با مدل های ARIMA و SARIMA برای پیش بینی آشنا شوید
  • از Pandas DataFrames برای دستکاری داده های سری زمانی و انجام محاسبات آماری استفاده کنید

شما به دنبال یک دوره آموزشی کامل در زمینه پیش‌بینی سری‌های زمانی هستید تا تصمیمات تجاری مربوط به زمان‌بندی تولید، مدیریت موجودی، برنامه‌ریزی نیروی انسانی و بسیاری از بخش‌های دیگر کسب‌وکار را هدایت کنید، درست است؟

شما با استفاده از تکنیک‌های سری زمانی پایتون، دوره مناسب پیش‌بینی سری‌های زمانی و تحلیل سری‌های زمانی را پیدا کرده‌اید. این دوره هر آنچه را که باید در مورد مدل‌های مختلف پیش‌بینی سری‌های زمانی و تحلیل سری‌های زمانی و نحوه پیاده‌سازی این مدل‌ها در سری‌های زمانی پایتون بدانید، به شما می‌آموزد.

پس از تکمیل این دوره، شما قادر خواهید بود:

  • پیاده‌سازی مدل‌های تحلیل سری زمانی و پیش‌بینی سری‌های زمانی مانند رگرسیون خودکار، میانگین متحرک، ARIMA، SARIMA و غیره.

  • مدل‌های پیش‌بینی سری‌های زمانی چند متغیره را بر اساس رگرسیون خطی و شبکه‌های عصبی پیاده‌سازی کنید.

  • با اطمینان تمرین، بحث و درک پیش‌بینی سری‌های زمانی مختلف، مدل‌های تحلیل سری‌های زمانی و تکنیک‌های سری زمانی پایتون مورد استفاده سازمان‌ها را انجام دهید

این دوره چگونه به شما کمک خواهد کرد؟

یک گواهی پایان قابل تأیید به همه دانش‌آموزانی ارائه می‌شود که این دوره پیش‌بینی سری‌های زمانی را در زمینه تحلیل سری‌های زمانی و برنامه‌های سری زمانی پایتون انجام می‌دهند.

اگر شما یک مدیر کسب و کار یا یک مدیر اجرایی هستید، یا دانش آموزی هستید که می خواهید مدل های پیش بینی را در مسائل دنیای واقعی کسب و کار بیاموزید و به کار ببرید، این دوره با آموزش محبوب ترین مدل های پیش بینی و نحوه انجام آن، پایه محکمی در اختیار شما قرار می دهد. آن را اجرا کند. همچنین مدل‌های پیش‌بینی سری‌های زمانی، تحلیل سری‌های زمانی و تکنیک‌های سری زمانی پایتون را خواهید آموخت.

چرا باید این دوره را انتخاب کنید؟

ما به آموزش با مثال اعتقاد داریم. این دوره نیز از این قاعده مستثنی نیست. تمرکز اصلی هر بخش این است که مفاهیم را از طریق مثال هایی به شما آموزش دهد. هر بخش دارای اجزای زیر است:

  • مفاهیم نظری و موارد استفاده از مدل های مختلف پیش بینی، پیش بینی سری های زمانی و تحلیل سری های زمانی

  • دستورالعمل های گام به گام در پیاده سازی مدل های پیش بینی سری های زمانی در پایتون

  • فایل های کد قابل دانلود حاوی داده ها و راه حل های مورد استفاده در هر سخنرانی در مورد پیش بینی سری های زمانی، تجزیه و تحلیل سری های زمانی و تکنیک های سری زمانی پایتون

  • یادداشت‌ها و تکالیف کلاس برای اصلاح و تمرین مفاهیم مربوط به پیش‌بینی سری‌های زمانی، تحلیل سری‌های زمانی و تکنیک‌های سری زمانی پایتون


کلاس‌های عملی که در آن مدل هر یک از این استراتژی‌ها را ایجاد می‌کنیم، چیزی است که این دوره را از هر دوره آنلاین موجود دیگری در زمینه پیش‌بینی سری‌های زمانی، تحلیل سری‌های زمانی و تکنیک‌های سری زمانی پایتون متمایز می‌کند.

. چه چیزی ما را واجد شرایط آموزش به شما می کند؟

  • این دوره توسط آبیشک و پخراج تدریس می شود. ما به عنوان مدیران شرکت مشاوره گلوبال آنالیتیکس، به کسب‌وکارها کمک کرده‌ایم تا مشکل تجاری خود را با استفاده از Analytics حل کنند و از تجربیات خود برای گنجاندن جنبه‌های عملی بازاریابی و تجزیه و تحلیل داده‌ها در این دوره استفاده کرده‌ایم. آنها همچنین دانش عمیقی در مورد پیش بینی سری های زمانی، تجزیه و تحلیل سری های زمانی و تکنیک های سری زمانی پایتون دارند.

ما همچنین خالق برخی از محبوب ترین دوره های آنلاین هستیم - با بیش از 170000 ثبت نام و هزاران بررسی 5 ستاره مانند این:

این خیلی خوب است، من عاشق این واقعیت هستم که تمام توضیحات ارائه شده توسط یک فرد غیر روحانی قابل درک است - جاشوا

با تشکر از نویسنده برای این دوره فوق العاده. شما بهترین هستید و این دوره به هر قیمتی می ارزد. - دیزی

قول ما

آموزش دانش آموزان وظیفه ماست و به آن متعهد هستیم. اگر در مورد محتوای دوره، برگه تمرین یا هر موضوعی مربوط به هر موضوعی سؤالی دارید، همیشه می توانید سؤالی را در دوره ارسال کنید یا برای ما پیام مستقیم ارسال کنید.

فایل‌های تمرین را دانلود کنید، در آزمون‌ها شرکت کنید و تکالیف را تکمیل کنید

با هر سخنرانی، یادداشت‌های کلاسی پیوست شده است که می‌توانید آن را دنبال کنید. همچنین می‌توانید برای بررسی درک خود از مفاهیم مربوط به پیش‌بینی سری‌های زمانی، تجزیه و تحلیل سری‌های زمانی و تکنیک‌های سری زمانی پایتون، آزمون‌هایی انجام دهید.

هر بخش شامل یک تکلیف تمرینی برای شماست تا به طور عملی یادگیری خود را بر روی پیش‌بینی سری‌های زمانی، تحلیل سری‌های زمانی و تکنیک‌های سری زمانی پایتون پیاده‌سازی کنید.

چه مواردی در این دوره پوشش داده می شود؟

درک اینکه چگونه فروش آینده تغییر خواهد کرد یکی از اطلاعات کلیدی مورد نیاز مدیر برای اتخاذ تصمیمات مبتنی بر داده است. در این دوره به پیش بینی سری های زمانی، تحلیل سری های زمانی و تکنیک های سری زمانی پایتون می پردازیم. همچنین بررسی خواهیم کرد که چگونه می توان از مدل های پیش بینی برای

استفاده کرد

  • الگوها را در داده های سری زمانی ببینید

  • بر اساس مدل‌ها پیش‌بینی کنید

اجازه دهید یک مرور مختصر از دوره به شما ارائه دهم

  • بخش 1 - مقدمه

در این بخش با ساختار دوره و نحوه آموزش مفاهیم مربوط به پیش بینی سری های زمانی، تجزیه و تحلیل سری های زمانی و تکنیک های سری زمانی پایتون در این دوره آشنا خواهیم شد.

  • بخش 2 - مبانی پایتون

این بخش شما را با پایتون شروع می کند.

این بخش به شما کمک می کند محیط پایتون و ژوپیتر را روی سیستم خود تنظیم کنید و آموزش می دهد

شما چگونه برخی از عملیات اساسی را در پایتون انجام دهید. ما اهمیت کتابخانه های مختلف مانند Numpy، Pandas Seaborn را درک خواهیم کرد.

مبانی آموزش داده شده در این بخش در یادگیری پیش‌بینی سری‌های زمانی، تجزیه و تحلیل سری‌های زمانی و تکنیک‌های سری‌های زمانی پایتون در بخش بعدی این دوره اساسی خواهد بود.

  • بخش 3 - مبانی داده های سری زمانی

در این بخش، در مورد مبانی داده‌های سری زمانی، کاربرد پیش‌بینی سری‌های زمانی، و فرآیند استانداردی که برای ساخت یک مدل پیش‌بینی دنبال می‌شود، پیش‌بینی سری‌های زمانی، تحلیل سری‌های زمانی و تکنیک‌های سری زمانی پایتون بحث خواهیم کرد.

  • بخش 4 - پیش پردازش داده های سری زمانی

در این بخش، نحوه تجسم سری های زمانی، انجام مهندسی ویژگی، نمونه برداری مجدد از داده ها و ابزارهای مختلف دیگر برای تجزیه و تحلیل و آماده سازی داده ها برای مدل ها و اجرای پیش بینی سری های زمانی، تجزیه و تحلیل سری های زمانی و پیاده سازی را خواهید آموخت. تکنیک های سری زمانی پایتون.

  • بخش 5 - آماده سازی داده ها برای مدل رگرسیون

در این بخش خواهید آموخت که چه اقداماتی را باید گام به گام انجام دهید تا داده ها را به دست آورید و سپس آنها را برای تجزیه و تحلیل آماده کنید. این مراحل بسیار مهم هستند.

ما با درک اهمیت دانش کسب و کار شروع می کنیم، سپس خواهیم دید که چگونه کاوش داده ها را انجام دهیم. ما یاد می گیریم که چگونه تجزیه و تحلیل تک متغیره و تجزیه و تحلیل دو متغیره انجام دهیم، سپس موضوعاتی مانند درمان پرت و انتساب مقدار از دست رفته را پوشش می دهیم.

  • بخش 6 - پیش بینی با استفاده از مدل رگرسیون

این بخش با رگرسیون خطی ساده شروع می‌شود و سپس رگرسیون خطی چندگانه را پوشش می‌دهد. ما تئوری اصلی پشت هر مفهوم را بدون اینکه بیش از حد ریاضی در مورد آن داشته باشیم پوشش داده‌ایم تا متوجه شوید که مفهوم از کجا می‌آید و چقدر اهمیت دارد. اما حتی اگر آن را درک نکنید، تا زمانی که یاد بگیرید چگونه اجرا کنید و نتیجه را همانطور که در سخنرانی های عملی آموزش داده شده است، تفسیر کنید، مشکلی نیست.

ما همچنین به نحوه کمی کردن دقت مدل‌ها، معنی آماره F چیست، نحوه تفسیر متغیرهای طبقه‌بندی در مجموعه داده‌های متغیرهای مستقل در نتایج می‌پردازیم.

  • بخش 7 - مفاهیم نظری

این بخش به شما درک کاملی از مفاهیم درگیر در شبکه های عصبی می دهد.

در این بخش با سلول های تک یا پرسپترون ها و نحوه چیدمان پرسپترون ها برای ایجاد یک معماری شبکه آشنا خواهید شد. پس از تنظیم معماری، الگوریتم Gradient descent را برای یافتن مینیمم یک تابع درک می کنیم و یاد می گیریم که چگونه از آن برای بهینه سازی مدل شبکه خود استفاده می شود.

  • بخش 8 - ایجاد مدل ANN رگرسیون و طبقه بندی در پایتون

در این قسمت نحوه ایجاد مدل های ANN در پایتون را خواهید آموخت.

این بخش را با ایجاد یک مدل ANN با استفاده از Sequential API برای حل یک مشکل طبقه‌بندی شروع می‌کنیم. ما یاد می گیریم که چگونه معماری شبکه را تعریف کنیم، مدل را پیکربندی کنیم و مدل را آموزش دهیم. سپس عملکرد مدل آموزش دیده خود را ارزیابی می کنیم و از آن برای پیش بینی داده های جدید استفاده می کنیم. ما همچنین یک مشکل رگرسیونی را حل می کنیم که در آن سعی می کنیم قیمت خانه را در یک مکان پیش بینی کنیم. همچنین نحوه ایجاد معماری های ANN پیچیده با استفاده از API عملکردی را پوشش خواهیم داد. در نهایت نحوه ذخیره و بازیابی مدل ها را یاد می گیریم.

من کاملاً مطمئن هستم که این دوره به شما دانش و مهارت های لازم مربوط به پیش بینی سری های زمانی، تجزیه و تحلیل سری های زمانی و تکنیک های سری زمانی پایتون را می دهد تا فوراً مزایای عملی را در محل کار خود مشاهده کنید.

ادامه دهید و روی دکمه ثبت نام کلیک کنید، و من شما را در درس 1 این دوره در مورد پیش بینی سری های زمانی، تجزیه و تحلیل سری های زمانی و تکنیک های سری زمانی پایتون می بینم!

به سلامتی

Start-Tech Academy

این دوره برای چه کسانی است:

  • افرادی که به دنبال شغلی در علم داده هستند
  • حرفه ای ها سفر یادگیری ماشین خود را آغاز می کنند
  • آماردانان به تجربه عملی بیشتری نیاز دارند
  • هر کسی که کنجکاو است در مدت زمان کوتاهی بر تجزیه و تحلیل سری های زمانی با استفاده از پایتون مسلط شود
سرفصل ها و درس ها

مقدمه Introduction

  • به دوره خوش آمدید Welcome to the course

  • پیش بینی سری زمانی چیست؟ What is Time Series Forecasting?

  • منابع دوره Course Resources

  • این یک نقطه عطف است! This is a milestone!

سری زمانی - مبانی Time Series - Basics

  • پیش بینی سری های زمانی - موارد استفاده Time Series Forecasting - Use cases

  • ایجاد مدل پیش بینی - مراحل Forecasting model creation - Steps

  • ایجاد مدل پیش بینی - مراحل 1 (هدف) Forecasting model creation - Steps 1 (Goal)

  • سری زمانی - نمادهای پایه Time Series - Basic Notations

راه اندازی Python و Python Crash Course Setting up Python and Python Crash Course

  • نصب پایتون و آناکوندا Installing Python and Anaconda

  • منابع دوره Course resources

  • باز کردن نوت بوک Jupyter Opening Jupyter Notebook

  • آشنایی با ژوپیتر Introduction to Jupyter

  • عملگرهای حسابی در پایتون: مبانی پایتون Arithmetic operators in Python: Python Basics

  • رشته ها در پایتون: اصول پایتون Strings in Python: Python Basics

  • لیست ها، تاپل ها و فهرست ها: اصول پایتون Lists, Tuples and Directories: Python Basics

  • کار با کتابخانه Numpy پایتون Working with Numpy Library of Python

  • کار با Pandas Library of Python Working with Pandas Library of Python

  • کار با کتابخانه Seaborn پایتون Working with Seaborn Library of Python

سری زمانی - بارگذاری داده ها Time Series - Data Loading

  • بارگذاری داده ها در پایتون Data Loading in Python

سری زمانی - مهندسی ویژگی Time Series - Feature Engineering

  • سری زمانی - مبانی مهندسی ویژگی Time Series - Feature Engineering Basics

  • سری زمانی - مهندسی ویژگی در پایتون Time Series - Feature Engineering in Python

سری زمانی - نمونه برداری مجدد Time Series - Resampling

  • سری زمانی - نمونه برداری و کاهش نمونه Time Series - Upsampling and Downsampling

  • سری زمانی - نمونه برداری و کاهش نمونه در پایتون Time Series - Upsampling and Downsampling in Python

سری زمانی - تجسم Time Series - Visualization

  • سری زمانی - مبانی تجسم Time Series - Visualization Basics

  • سری زمانی - تجسم در پایتون Time Series - Visualization in Python

سری زمانی - تحول Time Series - Transformation

  • سری زمانی - تبدیل نیرو Time Series - Power Transformation

  • میانگین متحرک Moving Average

  • هموارسازی نمایی Exponential Smoothing

سری زمانی - مفاهیم مهم Time Series - Important Concepts

  • نویز سفید White Noise

  • پیاده روی تصادفی Random Walk

  • تجزیه سری زمانی در پایتون Decomposing Time Series in Python

  • متمایز کردن Differencing

  • تفاوت در پایتون Differencing in Python

سری زمانی - تست قطار اسپلیت Time Series - Test Train Split

  • تست Train Split در پایتون Test Train Split in Python

نمایش نظرات

نظری ارسال نشده است.

آموزش تحلیل و پیش بینی سری های زمانی با استفاده از پایتون
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
13h 19m
34
Udemy (یودمی) udemy-small
11 دی 1400 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
139,239
4.6 از 5
ندارد
دارد
دارد

https://donyad.com/d/1385

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

آموزش تجزیه و تحلیل ، پیش بینی و پیش بینی سری زمانی را با Tensorflow 2.0 پیاده سازی کنید

آموزش تجزیه و تحلیل ، پیش بینی و پیش بینی سری زمانی را با Tensorflow 2.0 پیاده سازی کنید

Implement Time Series Analysis, Forecasting and Prediction with Tensorflow 2.0

تحلیل سری زمانی یکی از جنبه های دشوار و گیج کننده علم داده است. این دوره به شما نحوه استفاده از TensorFlow با داده های سری زمانی و تولید پیش بینی ها و پیش بینی های با عملکرد بالا را آموزش می دهد.

آموزش فرو رفتن عمیق در پیش بینی- Excel & R.

آموزش فرو رفتن عمیق در پیش بینی- Excel & R.

A Deep Dive into Forecasting- Excel & R.

پیش بینی با Excel & R. چگونه 100000 سری زمانی را در یک زمان پیش بینی کنیم؟ از آنها برای پیش بینی کسب و کار استفاده کنید

Haytham Omar Haytham Omar

آموزش تجزیه و تحلیل و پیش بینی سری زمانی کاربردی با R

آموزش تجزیه و تحلیل و پیش بینی سری زمانی کاربردی با R

Applied Time Series Analysis and Forecasting with R

تحلیل R و سری زمانی دست به دست هم می دهند. در این دوره ، شما می آموزید که چگونه به طور موثر از R و بسته پیش بینی برای تمرین تجزیه و تحلیل سری های زمانی و کار بر روی پروژه ها و داده های دنیای واقعی استفاده کنید.

آموزش شروع تحلیل و پیش بینی سری های زمانی با R

آموزش شروع تحلیل و پیش بینی سری های زمانی با R

Beginning Time Series Analysis and Forecasting with R

داده های سری زمانی در هر زمینه ای یافت می شود. این دوره به شما یاد می دهد که چگونه این نوع خاص از داده ها را مدیریت کنید و چگونه مدل های پیش بینی ایجاد کنید.

Martin Burger Martin Burger

Start-Tech Academy Start-Tech Academy

بیش از 1،700،000+ ثبت نام | 4+ رتبه بندی شده | 160+ CountriesStart-Tech Academy یک شرکت آموزش تجزیه و تحلیل مبتنی بر فناوری است و هدف آن گردآوری شرکتهای تحلیلی و فراگیران علاقه مند است. محتوای آموزشی با کیفیت بالا به همراه کارآموزی و فرصت های پروژه به دانشجویان در شروع سفر Analytics خود کمک می کند. بنیانگذار Abhishek Bansal و Pukhraj Parikh است. Pukhraj که به عنوان مدیر پروژه در یک شرکت مشاوره آنالیز کار می کند ، چندین سال تجربه کار بر روی ابزارها و نرم افزارهای تجزیه و تحلیل را دارد. او در مجموعه های اداری MS ، رایانش ابری ، SQL ، Tableau ، SAS ، Google analytics و Python مهارت دارد. Abhishek قبل از اینکه به فن آوری های یادگیری و آموزش مانند یادگیری ماشین و هوش مصنوعی بپردازد ، به عنوان یک مالک فرآیند اکتساب در یک شرکت مخابراتی پیشرو کار می کرد.

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.