لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
تجزیه و تحلیل و پیش بینی سری های زمانی با GPT-4o
Time Series Analysis and Forecasting with GPT-4o
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
یکی از نکات برجسته این دوره این است که نیازی به کدنویسی نیست. اکنون، میتوانید با استفاده از زبان انسان با GPT-4o برای تجزیه و تحلیل، پیشبینی و تجسم دادههای سری زمانی ارتباط برقرار کنید. با موارد ضروری در مورد آنچه می توان پیش بینی کرد شروع کنید و به اجزای داده های سری زمانی مانند روندها، فصلی بودن، چرخه ها و نویز عمیق بروید. تجزیه داده ها را با استفاده از روش های افزایشی، ضربی و STL بیاموزید.
نحوه تجزیه و تحلیل سری های زمانی با نمودارهای همبستگی و خود همبستگی جزئی، ارزیابی ایستایی با استفاده از آزمون ADF و تبدیل داده های غیر ثابت را کشف کنید. به مدل سازی پیش بینی با ARIMA و مدل های هموارسازی نمایی، تسلط بر تنظیم هایپرپارامتر و انتخاب مدل پیشرفت کنید. در پایان این دوره، شما مجهز به پیش بینی فردا و آماده شدن برای آینده با اطمینان خواهید بود.
سرفصل ها و درس ها
مقدمه
Introduction
GPT-4o را به عنوان پیش بینی کننده خود استخدام کنید
Hire GPT-4o as your forecaster
تاریخچه انسان پیش بینی
Human history of forecasting
1. مبانی پیش بینی سری های زمانی
1. Fundamentals of Time Series Forecasting
ملزومات پیش بینی سری های زمانی
Essentials of time series forecasting
روندها، فصلی بودن، چرخه ها و اجزای نویز در داده های سری زمانی
Trends, seasonality, cycles, and noise components in time-series data
تجزیه افزایشی، تجزیه ضربی و تجزیه STL
Additive decomposition, multiplicative decomposition, and STL decomposition
2. تکنیک های تحلیل سری زمانی
2. Time Series Analysis Techniques
با استفاده از تفاضل، غیر ایستایی را به ایستایی تبدیل کنید
Transform non-stationarity to stationarity using differencing
با تست ADF به ایستایی در مقابل غیر ایستایی دسترسی پیدا کنید
Access stationarity vs. non-stationarity by ADF test
برای تجزیه و تحلیل سری های زمانی از نمودارهای خودهمبستگی و خودهمبستگی جزئی استفاده کنید
Use autocorrelation and partial autocorrelation plots for time series analysis
3. مدل سازی و ارائه پیش بینی
3. Predictive Modeling and Presentation
نحوه انتخاب بهترین مدل ETS
How to select the best ETS model
پیش بینی با مدل هموارسازی نمایی
Predicting with exponential smoothing model
ایجاد پاورپوینت های موثر
Creating effective PowerPoint presentations
پیش بینی سری زمانی با ARIMA
Time-series forecasting with ARIMA
انتخاب فراپارامتر برای ARIMA
Hyperparameter selection for ARIMA
نتیجه گیری
Conclusion
فردا را پیش بینی کنید تا برای آینده آماده شوید
Predict tomorrow to prepare for the future
آلینا ژانگ یک دانشمند ارشد داده، نویسنده فناوری، و کارآفرین است.
آلینا یک دانشمند ارشد داده، نویسنده فناوری، و کارآفرین، تسلط خود را به عنوان یک مربی آموزش لینکدین و وبلاگ نویس فناوری هوش مصنوعی برجسته می کند. آلینا که دارای مدرک کارشناسی ارشد در علوم کامپیوتر است، ماموریت دارد از طریق هوش مصنوعی به بشریت خدمت کند. او چشم اندازی برای آینده ای مبتنی بر فناوری دارد. مهارتهای فنی و کارآفرینی گسترده او، با تجربه یک دهه او در پردازش زبان طبیعی و هوش مصنوعی مولد، انگیزه او را تقویت میکند.
نمایش نظرات