آموزش پایتون برای تجزیه و تحلیل داده های سری زمانی

Python for Time Series Data Analysis

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: نحوه استفاده از Python، Pandas، Numpy و Statsmodels را برای پیش بینی و تحلیل سری های زمانی یاد بگیرید! پانداها برای دستکاری داده ها NumPy و پایتون برای پردازش عددی پانداها برای تجسم داده ها نحوه کار با داده های سری زمانی با پانداها استفاده از Statsmodels برای تجزیه و تحلیل داده های سری زمانی استفاده از کتابخانه پیامبر فیسبوک برای پیش بینی درک مدل های پیشرفته ARIMA برای پیش بینی پیش نیازها:General Python Skils (General Python Skils) تا توابع)

به بهترین منبع آنلاین برای یادگیری نحوه استفاده از زبان برنامه نویسی پایتون برای تجزیه و تحلیل سری های زمانی خوش آمدید!

این دوره هر آنچه را که برای استفاده از پایتون برای پیش‌بینی داده‌های سری زمانی برای پیش‌بینی نقاط داده جدید آینده نیاز دارید، به شما می‌آموزد.

ما با آموزش نحوه کار و دستکاری داده ها با استفاده از کتابخانه های NumPy و Pandas با پایتون، با اصول اولیه شروع می کنیم. سپس با یادگیری در مورد تجسم‌سازی با کتابخانه پانداها و نحوه کار با داده‌های زمانبندی شده با پانداها و پایتون، عمیق‌تر به کار با پانداها می‌پردازیم.

سپس ما شروع به یادگیری کتابخانه statsmodels و قدرتمند آن در ابزارهای تجزیه و تحلیل سری‌های زمانی خواهیم کرد. از جمله یادگیری در مورد تجزیه خطا-روند-فصلی و روش‌های پایه Holt-Winters.

بعد از آن به قلب دوره خواهیم پرداخت که مدل‌های پیش‌بینی کلی را پوشش می‌دهد. ما در مورد ایجاد نمودارهای همبستگی خودکار و همبستگی جزئی و استفاده از آنها در ارتباط با مدل های قدرتمند مبتنی بر ARIMA، از جمله مدل های فصلی ARIMA و SARIMAX برای گنجاندن نقاط داده برون زا صحبت خواهیم کرد.

پس از آن، در مورد تکنیک‌های پیشرفته یادگیری عمیق با شبکه‌های عصبی مکرر که از یادگیری عمیق برای پیش‌بینی نقاط داده آینده استفاده می‌کنند، خواهیم آموخت.

این دوره حتی کتابخانه پیامبر فیسبوک را نیز پوشش می دهد، کتابخانه ای ساده برای استفاده و در عین حال قدرتمند پایتون که برای پیش بینی آینده با داده های سری زمانی توسعه یافته است.

پس منتظر چه چیزی هستید! نحوه کار با داده های سری زمانی و پیش بینی آینده را بیاموزید!

ما شما را در داخل دوره خواهیم دید!


سرفصل ها و درس ها

معرفی Introduction

  • بررسی اجمالی دوره - لطفاً این سخنرانی را نادیده نگیرید Course Overview - PLEASE DO NOT SKIP THIS LECTURE

  • بررسی اجمالی دوره Course Overview Check

  • مروری بر برنامه درسی دوره Course Curriculum Overview

  • سوالات متداول - سوالات متداول FAQ - Frequently Asked Questions

راه اندازی و نصب دوره Course Set Up and Install

  • نصب Anaconda Python Distribution و Jupyter Installing Anaconda Python Distribution and Jupyter

NumPy NumPy

  • نمای کلی بخش NumPy NumPy Section Overview

  • آرایه های NumPy - قسمت اول NumPy Arrays - Part One

  • آرایه های NumPy - قسمت دوم NumPy Arrays - Part Two

  • نمایه سازی و انتخاب NumPy NumPy Indexing and Selection

  • عملیات NumPy NumPy Operations

  • تمرینات NumPy NumPy Exercises

  • راه حل های تمرین NumPy NumPy Exercise Solutions

بررسی اجمالی پانداها Pandas Overview

  • آشنایی با پانداها Introduction to Pandas

  • سلسله Series

  • DataFrames - قسمت اول DataFrames - Part One

  • DataFrames - قسمت دوم DataFrames - Part Two

  • داده های از دست رفته با پانداها Missing Data with Pandas

  • گروه بر اساس عملیات Group By Operations

  • عملیات مشترک Common Operations

  • ورودی و خروجی داده Data Input and Output

  • تمرینات پانداها Pandas Exercises

  • راه حل های تمرین پانداها Pandas Exercises Solutions

تجسم داده ها با پانداها Data Visualization with Pandas

  • مروری بر قابلیت های تجسم داده ها با پانداها Overview of Capabilities of Data Visualization with Pandas

  • تجسم داده ها با پانداها Visualizing Data with Pandas

  • سفارشی کردن نقشه های ایجاد شده با پانداها Customizing Plots created with Pandas

  • تمرین تجسم داده پانداها Pandas Data Visualization Exercise

  • راهکارهای تمرین تجسم داده پانداها Pandas Data Visualization Exercise Solutions

سری زمانی با پانداها Time Series with Pandas

  • مروری بر سری زمانی با پانداها Overview of Time Series with Pandas

  • فهرست تاریخ DateTime Index

  • فهرست تاریخ قسمت دوم DateTime Index Part Two

  • نمونه گیری مجدد زمان Time Resampling

  • تغییر زمان Time Shifting

  • نورد و گسترش Rolling and Expanding

  • تجسم داده های سری زمانی Visualizing Time Series Data

  • تجسم داده های سری زمانی - قسمت دوم Visualizing Time Series Data - Part Two

  • تمرینات سری زمانی - مجموعه اول Time Series Exercises - Set One

  • تمرینات سری زمانی - مجموعه اول - راه حل Time Series Exercises - Set One - Solutions

  • تمرین پروژه سری زمانی با پانداها - مجموعه دو Time Series with Pandas Project Exercise - Set Two

  • سری زمانی با پانداها تمرین پروژه - مجموعه دو - راه حل Time Series with Pandas Project Exercise - Set Two - Solutions

تجزیه و تحلیل سری زمانی با Statsmodels Time Series Analysis with Statsmodels

  • مقدمه ای بر تجزیه و تحلیل سری های زمانی با Statsmodels Introduction to Time Series Analysis with Statsmodels

  • مقدمه ای بر کتابخانه Statsmodels Introduction to Statsmodels Library

  • تجزیه ETS ETS Decomposition

  • EWMA - نظریه EWMA - Theory

  • EWMA - میانگین متحرک وزنی نمایی EWMA - Exponentially Weighted Moving Average

  • هولت - نظریه روشهای زمستان Holt - Winters Methods Theory

  • Holt - Winters Methods Code Along - قسمت اول Holt - Winters Methods Code Along - Part One

  • Holt - Winters Methods Code Along - قسمت دوم Holt - Winters Methods Code Along - Part Two

  • تمرینات سری زمانی Statsmodels Statsmodels Time Series Exercises

  • راه حل های تمرین سری های زمانی Statsmodels Statsmodels Time Series Exercise Solutions

مدل های پیش بینی عمومی General Forecasting Models

  • مقدمه ای بر بخش پیش بینی عمومی Introduction to General Forecasting Section

  • مقدمه ای بر مدل های پیش بینی قسمت اول Introduction to Forecasting Models Part One

  • ارزیابی پیش بینی های پیش بینی Evaluating Forecast Predictions

  • مقدمه ای بر مدل های پیش بینی قسمت دوم Introduction to Forecasting Models Part Two

  • تئوری ACF و PACF ACF and PACF Theory

  • کد ACF و PACF همراه ACF and PACF Code Along

  • نمای کلی ARIMA ARIMA Overview

  • خود رگرسیون - AR - بررسی اجمالی Autoregression - AR - Overview

  • رگرسیون خودکار - AR با Statsmodels Autoregression - AR with Statsmodels

  • آمار توصیفی و آزمون - قسمت اول Descriptive Statistics and Tests - Part One

  • آمار توصیفی و آزمون ها - قسمت دوم Descriptive Statistics and Tests - Part Two

  • آمار توصیفی و آزمون ها - قسمت سوم Descriptive Statistics and Tests - Part Three

  • بررسی اجمالی نظریه ARIMA ARIMA Theory Overview

  • انتخاب سفارشات ARIMA - قسمت اول Choosing ARIMA Orders - Part One

  • انتخاب سفارشات ARIMA - قسمت دوم Choosing ARIMA Orders - Part Two

  • ARMA و ARIMA - AutoRegressive Integrated Moving Average - قسمت اول ARMA and ARIMA - AutoRegressive Integrated Moving Average - Part One

  • ARMA و ARIMA - AutoRegressive Integrated Moving Average - قسمت دوم ARMA and ARIMA - AutoRegressive Integrated Moving Average - Part Two

  • SARIMA - میانگین متحرک یکپارچه اترگرسیون فصلی SARIMA - Seasonal Autoregressive Integrated Moving Average

  • SARIMAX - فصلی اتورگرسیو یکپارچه متحرک میانگین برون زا - بخش اول SARIMAX - Seasonal Autoregressive Integrated Moving Average Exogenous - PART ONE

  • SARIMAX - میانگین متحرک ادغام شده فصلی برون زا - بخش دوم SARIMAX - Seasonal Autoregressive Integrated Moving Average Exogenous - PART TWO

  • SARIMAX - فصلی اترگرسیون یکپارچه متحرک برون زا - قسمت 3 SARIMAX - Seasonal Autoregressive Integrated Moving Average Exogenous - PART 3

  • رگرسیون خودکار برداری - VAR Vector AutoRegression - VAR

  • VAR - کد همراه VAR - Code Along

  • VAR - Code Along - قسمت دوم VAR - Code Along - Part Two

  • بردار میانگین متحرک خودکار رگرسیون - VARMA Vector AutoRegression Moving Average - VARMA

  • وکتور میانگین متحرک رگرسیون خودکار - VARMA - کد همراه Vector AutoRegression Moving Average - VARMA - Code Along

  • تمرین های پیش بینی Forecasting Exercises

  • تمرین های پیش بینی - راه حل Forecasting Exercises - Solutions

یادگیری عمیق برای پیش بینی سری های زمانی Deep Learning for Time Series Forecasting

  • بخش مقدمه ای بر یادگیری عمیق Introduction to Deep Learning Section

  • مدل پرسپترون Perceptron Model

  • مقدمه ای بر شبکه های عصبی Introduction to Neural Networks

  • مبانی کراس Keras Basics

  • مروری بر شبکه عصبی تکراری Recurrent Neural Network Overview

  • LSTMS و GRU LSTMS and GRU

  • پروژه Keras و RNN - قسمت اول Keras and RNN Project - Part One

  • پروژه Keras و RNN - قسمت دوم Keras and RNN Project - Part Two

  • پروژه Keras و RNN - قسمت سوم Keras and RNN Project - Part Three

  • تمرین کراس و RNN Keras and RNN Exercise

  • راه حل های تمرین Keras و RNN Keras and RNN Exercise Solutions

  • جایزه: سری زمانی چند متغیره با RNN BONUS: Multivariate Time Series with RNN

  • بررسی سریع نوت بوک و داده های سری زمانی چند متغیره Quick Check on MultiVariate Time Series Notebook and Data

  • جایزه: سری زمانی چند متغیره با RNN BONUS: Multivariate Time Series with RNN

کتابخانه پیامبر فیسبوک Facebook's Prophet Library

  • مروری بر کتابخانه پیامبر فیسبوک Overview of Facebook's Prophet Library

  • کتابخانه پیامبر فیسبوک Facebook's Prophet Library

  • ارزیابی پیامبر فیسبوک Facebook Prophet Evaluation

  • روند پیامبر فیس بوک Facebook Prophet Trend

  • فصلی بودن پیامبر فیسبوک Facebook Prophet Seasonality

بخش پاداش: از شما متشکرم! BONUS SECTION: THANK YOU!

  • سخنرانی جایزه BONUS LECTURE

نمایش نظرات

نظری ارسال نشده است.

آموزش پایتون برای تجزیه و تحلیل داده های سری زمانی
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
15.5 hours
95
Udemy (یودمی) udemy-small
25 تیر 1399 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
38,841
4.6 از 5
دارد
دارد
دارد
Jose Portilla

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Jose Portilla Jose Portilla

رئیس بخش علوم داده در آموزش پیریان

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.