لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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:
روشهای آماری اصلی و پیادهسازی عملی آنها
تکنیکهای پیشبینی چندمتغیره برای مجموعهدادههای پیچیده
رویکردهای یادگیری عمیق که از پایه ساخته شدهاند
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
نمایش نظرات