آموزش بوت‌کمپ جامع پیش‌بینی سری‌های زمانی با پایتون (۲۰۲۵) - آخرین آپدیت

دانلود Complete Time Series Forecasting Bootcamp in Python (2025)

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: تسلط بر پیش‌بینی سری‌های زمانی، از مدل‌های آماری تا پیشرفته‌ترین مدل‌های یادگیری عمیق با کدنویسی ۱۰۰٪ پایتون آموزش مبانی پیش‌بینی سری‌های زمانی با استفاده از مدل‌های خط پایه (Baseline) پیاده‌سازی مدل‌های آماری مانند ARIMA، ETS، TBATS و موارد دیگر به‌کارگیری معماری‌های یادگیری عمیق برای پیش‌بینی سری‌های زمانی استفاده از مدل‌های پیشرو یادگیری عمیق مانند NHITS، TSMixer، iTransformer، TimeGPT و بیشتر! پیش نیازها: دانش مقدماتی زبان برنامه‌نویسی پایتون

تسلط بر پیش‌بینی سری‌های زمانی: از مفاهیم بنیادی تا یادگیری عمیق

در این دوره جامع ۱۲ ساعته که به‌طور اختصاصی برای دیتاساینتیست‌های آینده طراحی شده است، قدرت تحلیل‌های پیش‌بینانه را آزاد کنید. چه به دنبال پیش‌بینی روندهای بازار باشید، چه بهینه‌سازی زنجیره تأمین یا پیش‌بینی الگوهای آب و هوایی، این دوره شما را به مهارت‌های ضروری برای مقابله با چالش‌های پیش‌بینی در دنیای واقعی مجهز می‌کند.


آنچه خواهید آموخت

از طریق برنامه آموزشی ساختاریافته ما، از یک مبتدی به یک متخصص مطمئن تبدیل شوید. با شروع از مدل‌های آماری بنیادی، به سمت پیاده‌سازی معماری‌های پیشرفته یادگیری عمیق پیش خواهید رفت. در این مسیر بر موارد زیر مسلط می‌شوید:

  • روش‌های پیش‌بینی کلاسیک (ARIMA, SARIMA, SARIMAX)

  • تکنیک‌های پیشرفته مانند هموارسازی نمایی (Exponential Smoothing)، TBATS و مدل Theta

  • معماری‌های یادگیری عمیق برای سری‌های زمانی

  • فریم‌ورک Prophet شرکت متا (فیس‌بوک)


چرا این دوره متمایز است؟

  • بیش از ۱۴ پروژه عملی برای تثبیت یادگیری

  • برنامه آموزشی ۱۰۰٪ مبتنی بر پایتون همراه با پیاده‌سازی کامل کدها

  • کاربردهای واقعی در حوزه‌های مالی، اقتصاد، خرده‌فروشی و زنجیره تأمین

  • مسیر یادگیری تدریجی از مفاهیم پایه تا مباحث پیشرفته


این دوره برای شما مناسب است اگر...

در پیش‌بینی سری‌های زمانی تازه‌کار هستید اما مهارت‌های پایه برنامه‌نویسی پایتون را دارید. هیچ تجربه قبلی در پیش‌بینی نیاز نیست؛ ما شما را در هر مرحله، از درک مفاهیم بنیادی تا پیاده‌سازی مدل‌های پیش‌بینانه پیشرفته، راهنمایی می‌کنیم.


ساختار دوره

سرفصل‌های آموزشی به‌طور طبیعی از مفاهیم پایه به سمت کاربردهای پیشرفته حرکت می‌کنند:

  1. روش‌های آماری اصلی و پیاده‌سازی عملی آن‌ها

  2. تکنیک‌های پیش‌بینی چندمتغیره برای مجموعه‌داده‌های پیچیده

  3. رویکردهای یادگیری عمیق که از پایه ساخته شده‌اند

  4. فریم‌ورک‌های مدرن و معماری‌های پیشرو (State-of-the-art)


درباره مدرس

از یک متخصص صنعت که در خط مقدم نوآوری‌های سری زمانی است بیاموزید. من مشارکت‌کننده در Nixtla، پیشرو در فناوری‌های متن‌باز پیش‌بینی، و توسعه‌دهنده فعال NeuralForecast هستم؛ پکیج پایتونی که به دلیل پیاده‌سازی‌های بسیار سریع یادگیری عمیق شناخته شده است. این دوره صرفاً دانش تئوری نیست، بلکه بینشی عملی از کسی است که ابزارهای مورد استفاده رهبران صنعت امروز را شکل می‌دهد.


در پایان این دوره، شما مهارت و اعتماد به نفس لازم برای مقابله با چالش‌های متنوع پیش‌بینی در هر صنعتی را خواهید داشت. برای تسلط بر یکی از ارزشمندترین مهارت‌های علوم داده، همراه با تمرینات گسترده و کاربردهای واقعی، به ما بپیوندید.


آماده پیش‌بینی آینده هستید؟ همین حالا ثبت‌نام کنید و مسیر دیتاساینس خود را متحول کنید.


سرفصل ها و درس ها

مقدمه Introduction

  • خوش‌آمدگویی Welcome

  • تعریف سری‌های زمانی Defining time series

  • مدل‌های خط پایه Baseline models

  • کدنویسی مدل‌های خط پایه Code - Baseline models

مدل گشت تصادفی (Random Walk) The random walk model

  • معرفی گشت تصادفی Introducing the random walk

  • کدنویسی شبیه‌سازی گشت تصادفی Code - Simulate a random walk

  • ایستایی و تفاضل‌گیری Stationarity and differencing

  • کدنویسی ایستایی و تفاضل‌گیری Code - Stationarity and differencing

  • خودهمبستگی (Autocorrelation) Autocorrelation

  • کدنویسی خودهمبستگی Code - Autocorrelation

  • پیش‌بینی یک گشت تصادفی Forecasting a random walk

  • کدنویسی پیش‌بینی گشت تصادفی Code - Forecasting a random walk

پیش‌بینی با مدل ARIMA Forecasting with the ARIMA model

  • مدل میانگین متحرک (Moving Average) The moving average model

  • کدنویسی پیش‌بینی با MA(q) Code - Forecasting with MA(q)

  • مدل خودرگرسیونی (Autoregressive) The autoregressive model

  • کدنویسی پیش‌بینی با AR(p) Code - Forecasting with AR(p)

  • مدل ARMA The ARMA model

  • طراحی یک روند مدل‌سازی کلی Designing a general modeling procedure

  • کدنویسی پیش‌بینی با ARMA(p,q) Code - Forecasting with ARMA(p,q)

  • مدل ARIMA The ARIMA model

  • کدنویسی پیش‌بینی با ARIMA(p,d,q) Code - Forecasting with ARIMA(p,d,q)

  • مدل‌سازی فصلی Modeling seasonality

  • کدنویسی پیش‌بینی با SARIMA Code - Forecasting with SARIMA

  • افزودن متغیرهای خارجی به مدل Adding external variables to our model

  • کدنویسی پیش‌بینی با SARIMAX Code - Forecasting with SARIMAX

پیش‌بینی چندمتغیره Multivariate forecasting

  • پیش‌بینی چندمتغیره Multivariate forecasting

  • کدنویسی پیش‌بینی با VAR Code - Forecasting with VAR

  • کدنویسی پیش‌بینی با VARMA Code - Forecasting with VARMA

  • کدنویسی پیش‌بینی با VARMAX Code - Forecasting with VARMAX

هموارسازی نمایی Exponential smoothing

  • هموارسازی نمایی ساده Simple exponential smoothing

  • کدنویسی پیش‌بینی با هموارسازی نمایی ساده Code - Forecasting with simple exponential smoothing

  • هموارسازی نمایی دوگانه Double exponential smoothing

  • کدنویسی پیش‌بینی با هموارسازی نمایی دوگانه Code - Forecasting with double exponential smoothing

  • هموارسازی نمایی سه‌گانه Triple exponential smoothing

  • کدنویسی پیش‌بینی با هموارسازی نمایی سه‌گانه Code - Forecasting with triple exponential smoothing

پیش‌بینی دوره‌های فصلی متعدد Forecasting multiple seasonal periods

  • مدل‌های BATS و TBATS BATS and TBATS

  • کدنویسی پیش‌بینی با BATS و TBATS Code - Forecasting with BATS and TBATS

پیش‌بینی با استفاده از تجزیه (Decomposition) Forecasting using decomposition

  • مدل Theta The Theta model

  • کدنویسی پیش‌بینی با مدل Theta Code - Forecasting with the Theta model

  • کدنویسی مقایسه Theta با SARIMA Code - Comparing Theta to SARIMA

یادگیری عمیق برای پیش‌بینی سری‌های زمانی Deep learning for time series forecasting

  • معرفی یادگیری عمیق برای پیش‌بینی سری‌های زمانی Introducing deep learning for time series forecasting

  • کدنویسی پیش‌پردازش داده‌ها برای یادگیری عمیق Code - Preprocessing data for deep learning

  • مدل‌های خطی Linear models

  • کدنویسی مدل‌های خطی Code - Linear models

  • شبکه‌های عصبی عمیق Deep neural networks

  • کدنویسی شبکه‌های عصبی عمیق Code - Deep neural networks

  • شبکه‌های LSTM LSTM

  • کدنویسی LSTM Code - LSTM

  • کدنویسی CNN Code - CNN

  • شبکه‌های CNN CNN

بخش اضافی - مدل Prophet EXTRA - Prophet

  • درک مدل Prophet Understanding Prophet

  • کدنویسی شروع کار با Prophet Code - Get started with Prophet

  • ویژگی‌های پیشرفته Prophet Advanced features of Prophet

  • کدنویسی ویژگی‌های پیشرفته Prophet Code - Advanced features of Prophet

  • تنظیم هایپرپارامترها در Prophet Hyperparameter tuning with Prophet

  • کدنویسی تنظیم هایپرپارامترها در Prophet Code - Hyperparameter tuning with Prophet

  • کدنویسی پیش‌بینی با Prophet Code - Forecasing with Prophet

نمایش نظرات

آموزش بوت‌کمپ جامع پیش‌بینی سری‌های زمانی با پایتون (۲۰۲۵)
جزییات دوره
8.5 hours
57
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
217
4.5 از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Marco Peixeiro Marco Peixeiro

دانشمند داده و مدرس