در حال بارگزاری نمونه ویدیو، لطفا صبر کنید...
مرورگر شما از این ویدیو پشتیبانی نمی کند.
Video Player is loading.
Play Video Play Current Time 0:00
Duration 0:00
Seek to live, currently behind live LIVE Remaining Time - 0:00
Picture-in-Picture Fullscreen Beginning of dialog window. Escape will cancel and close the window.
Text Color White Black Red Green Blue Yellow Magenta Cyan Transparency Opaque Semi-Transparent Background Color Black White Red Green Blue Yellow Magenta Cyan Transparency Opaque Semi-Transparent Transparent Window Color Black White Red Green Blue Yellow Magenta Cyan Transparency Transparent Semi-Transparent Opaque
Font Size 50% 75% 100% 125% 150% 175% 200% 300% 400% Text Edge Style None Raised Depressed Uniform Dropshadow Font Family Proportional Sans-Serif Monospace Sans-Serif Proportional Serif Monospace Serif Casual Script Small Caps Reset restore all settings to the default values Done
Close Modal Dialog End of dialog window.
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
(صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)
بارگزاری مجدد
در حال بارگزاری، لطفا صبر کنید...
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.