آموزش استخراج ویژگی برای داده‌های سری زمانی - آخرین آپدیت

دانلود Creating Features for Time Series Data

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره بر اکتشاف داده‌ها، ایجاد ویژگی (Feature Creation) و انتخاب ویژگی برای توالی‌های زمانی تمرکز دارد. موضوعات مورد بحث شامل دسته‌بندی (Binning)، هموارسازی، تبدیل‌ها و عملیات مجموعه‌داده‌ها برای سری‌های زمانی، تحلیل طیفی، تحلیل طیف تکین (SSA)، معیارهای فاصله و تحلیل موتیف است. در این دوره می‌آموزید که چگونه تحلیل موتیف را انجام دهید و تحلیل‌ها را در دامنه طیفی یا فرکانسی پیاده‌سازی کنید. همچنین با نحوه عملکرد معیارهای فاصله آشنا می‌شوید، کاربردهای آن را پیاده‌سازی می‌کنید، اجزای سیگنال را بررسی کرده و ویژگی‌های سری زمانی را ایجاد می‌کنید. این دوره برای تحلیل‌گران با پیش‌زمینه کمی و همچنین متخصصان حوزه‌های مختلف که قصد دارند ابزارهای تحلیل سری زمانی خود را تقویت کنند، مناسب است. پیش از شروع این دوره، باید با مفاهیم پایه آمار آشنا باشید (که می‌توانید از طریق دوره آمار با SAS این مهارت را کسب کنید). آشنایی با ماتریس‌ها و تحلیل مؤلفه‌های اصلی (PCA) نیز مفید است اما الزامی نیست.

سرفصل ها و درس ها

مرور کلی تخصص Specialization Overview

  • مرور کلی Overview

مرور کلی دوره Course Overview

  • معرفی مدرس Meet the Instructor

مبانی سری‌های زمانی Time Series Basics

  • مقدمه‌ای بر سری‌های زمانی Introduction to Time Series

  • ایجاد داده‌های سری زمانی Time Series Data Creation

  • انتخاب بازه برای تجمع، بخش اول Selecting an Interval for Accumulation, Part 1

  • انتخاب بازه برای تجمع، بخش دوم Selecting an Interval for Accumulation, Part 2

  • دمو: تبدیل داده‌های تراکنشی به سری زمانی Demo: Accumulating Transactional Data to Time Series

  • معیارهای خلاصه در سری‌های زمانی Summary Measures on Time Series

  • دمو: بررسی ویژگی‌های خلاصه سری زمانی Demo: Exploring Time Series Summary Characteristics

  • دسته‌بندی (Binning) سری‌های زمانی Binning Time Series

  • دمو: بررسی سری‌های زمانی با استفاده از Binning Demo: Exploring Time Series Using Binning

  • سیگنال در مقابل نویز Signal versus Noise

  • انواع سیگنال و تجزیه آن‌ها Signal Types and Decompositions

  • دمو: تجزیه با استفاده از پکیج TSA Demo: Decompositions Using the TSA Package

  • دمو: ایجاد ویژگی با استفاده از سینتکس DATA Step در رویه TSMODEL Demo: Feature Creation Using the DATA Step-like Syntax in the TSMODEL Procedure

معیارهای فاصله Distance Measures

  • مقدمه‌ای بر معیارهای فاصله برای سری‌های زمانی Introduction to Distance Measures for Time Series

  • اندازه‌گیری شباهت توالی‌ها Measuring Sequence Similarity

  • نگاشت مستقیم و تغییر زمان (Time Warping) Direct Mapping and Time Warping

  • دمو: مثالی از Time Warping و هزینه‌های مسیر نسبی Demo: An Example of Time Warping and Relative Path Costs

  • دمو: خوشه‌بندی سری‌های زمانی Demo: Time Series Clustering

  • مقدمه‌ای بر نمایش نمادین توالی‌ها Introduction to Symbolic Representation of Sequences

  • تقریب مجموع نمادین (SAX) The Symbolic Aggregate ApproXimation (SAX)

  • دمو: فاصله SAX برای رتبه‌بندی متغیرهای ورودی بر اساس شباهت به هدف Demo: SAX Distance for Input Variable Ranking Based on Similarity to the Target

تحلیل طیفی و تحلیل طیف تکین (SSA) Spectral Analysis and Singular Spectrum Analysis (SSA)

  • مقدمه‌ای بر تحلیل طیفی Introduction to Spectral Analysis

  • اصول تحلیل طیفی Spectral Analysis Fundamentals

  • دمو: آشنایی با تحلیل طیفی Demo: Introduction to Spectral Analysis

  • ایده‌های پایه از مثلثات Basic Ideas from Trigonometry

  • رویکرد رگرسیونی برای شناسایی چرخه A Regression Approach to Cycle Identification

  • تخمین چگالی طیفی Estimating the Spectral Density

  • دمو: پیاده‌سازی اطلاعات حاصل از پریودوگرام Demo: Implementing Information from the Periodogram

  • مقدمه‌ای بر تحلیل طیف تکین (SSA) An Introduction to Singular Spectrum Analysis (SSA)

  • مراحل گام‌به‌گام SSA SSA Step-by-Step

  • دمو: تحلیل طیف تکین Demo: Singular Spectrum Analysis

  • دمو: کاربرد تحلیل طیف تکین تک‌متغیره Demo: Application of Univariate Singular Spectrum Analysis

تحلیل موتیف Motif Analysis

  • مقدمه‌ای بر تحلیل موتیف Introduction to Motif Analysis

  • مبانی کشف موتیف Motif Discovery Basics

  • دو رویکرد برای کشف موتیف Two Approaches to Motif Discovery

  • دمو: کشف موتیف با استفاده از روش Brute Force Demo: Motif Discovery Using the Brute Force Method

  • دمو: کشف موتیف با استفاده از روش مدل احتمالی Demo: Motif Discovery Using the Probabilistic Model Method

  • دمو: امتیازدهی به موتیف Demo: Motif Scoring

مرور نهایی دوره Course Review

نمایش نظرات

آموزش استخراج ویژگی برای داده‌های سری زمانی
جزییات دوره
10h 32m
40
(آخرین آپدیت)
2,045
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده