آموزش پیش بینی مدل ها و سری های زمانی برای کسب و کار در پایتون

Forecasting Models and Time Series for Business in Python

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: تجزیه و تحلیل سری زمانی در پایتون برنامه ریزی تقاضا و پیش بینی کسب و کار پیش بینی با 6 مدل: پیامبر، ARIMA و بیشتر. از تجزیه و تحلیل سری های زمانی برای شناسایی الگوها و روندها در داده های سری زمانی در پایتون استفاده کنید. مدل های پیش بینی مناسب را برای انواع مختلف داده های سری زمانی در پایتون انتخاب کنید. توسعه مدل‌های برنامه‌ریزی و پیش‌بینی تقاضا با استفاده از تکنیک‌های تحلیل سری زمانی در پایتون. اجرای هموارسازی نمایی Holt-Winters در پایتون برای پیش بینی سری های زمانی. پیاده سازی مدل های SARIMAX برای پیش بینی سری های زمانی در پایتون. از فیس بوک پیامبر برای پیش بینی مقادیر آینده داده های سری زمانی استفاده کنید. از سری زمانی ساختاری Tensorflow برای پیش‌بینی داده‌های سری زمانی با استفاده از تکنیک‌های یادگیری ماشین استفاده کنید. XGBoost را برای پیش بینی سری های زمانی در پایتون پیاده سازی کنید. درک مفروضات و محدودیت های مدل های مختلف پیش بینی سری های زمانی در پایتون. ارزیابی عملکرد مدل های مختلف پیش بینی سری های زمانی در پایتون. پیش نیازها: آمار پایه: رگرسیون خطی، p-value پایتون پایه مطلوب

به هیجان انگیزترین دوره آنلاین در مورد مدل های پیش بینی در پایتون خوش آمدید. من همه چیزهایی را که برای درک زمان حال و پیش بینی آینده نیاز دارید نشان خواهم داد.

پیش‌بینی همیشه جذاب است - دانستن اینکه چه اتفاقی می‌افتد معمولاً آرواره‌ها را از بین می‌برد و تحسین برانگیز است. در بالا، در دنیای کسب و کار اساسی است. شرکت ها همیشه رشد درآمد و برآورد EBIT را ارائه می دهند که بر اساس پیش بینی ها است. چه کسی آنها را انجام می دهد؟ خوب، ممکن است شما باشید!

چرا باید در این دوره ثبت نام کنید؟

بدون تمرکز بیش از حد روی ریاضی، شهود پشت مدل ها را خواهید آموخت

این مهم است که بدانید چرا یک مدل منطقی است و مفروضات اساسی پشت آن وجود دارد. من هر مدل را با استفاده از کلمات، نمودارها و استعاره ها برای شما توضیح می دهم و ریاضی و الفبای یونانی را به حداقل می رسانم.

ساختار دوره کامل از تاثیرگذارترین تکنیک های اقتصادی

تکنیک‌های موجود در این دوره، تکنیک‌هایی هستند که معتقدم بیشترین تأثیرگذاری، به‌روز بودن و جستجو را دارند:

  1. Holt-Winters

  2. TBATS

  3. SARIMAX

  4. سری زمانی ساختاری TensorFlow

  5. پیامبر فیسبوک

  6. پیامبر فیسبوک + XGBoost

  7. رویکرد گروهی

ما پایتون را خط به خط با هم کدگذاری می کنیم

من شما را در هر مرحله از راه راهنمایی خواهم کرد. من همچنین تمام پارامترها و عملکردهایی را که باید استفاده کنید، گام به گام توضیح خواهم داد.

دلیل نهایی این است که شما تمرین می کنید، تمرین می کنید، تمرین می کنید.

برای هر الگوریتم، یک چالش وجود دارد. این بدان معناست که هر تکنیک دارای 2 مطالعه موردی است. هدف این است که بلافاصله آنچه را که آموخته اید به کار ببرید. من یک مجموعه داده و لیستی از اقداماتی را که باید برای حل آن انجام دهید به شما ارائه می دهم. من فکر می کنم این بهترین راه برای تقویت تمام تکنیک ها در شماست.

آیا من علاقه شما را افزایش دادم؟ به من بپیوندید و یاد بگیرید که چگونه آینده را پیش بینی کنید!


سرفصل ها و درس ها

معرفی Introduction

  • معرفی دوره Course Introduction

  • پیوند به مطالب دوره Link to course material

  • مواد درسی Course Material

  • چگونه از دوره بیشتر به دست آوریم How to get more from the course

  • بررسی ها و آینده دوره Reviews and the future of the course

مقدمه ای بر پیش بینی سری های زمانی Introduction to Time Series Forecasting

  • استراتژی بازی Game Plan

  • چرا پیش بینی؟ Why Forecasting?

  • داده های سری زمانی و مطالعه موردی خلاصه Time Series Data and Case Study Briefing

  • Python - تنظیم فهرست کار Python - Set Working Directory

  • پایتون - وارد کردن کتابخانه ها Python - Importing Libraries

  • پایتون - بارگذاری داده ها Python - Loading Data

  • پایتون - تشکیل مجموعه داده Python - Forming Data Set

  • پایتون - تغییر نام متغیر وابسته Python - Renaming Dependent Variable

  • پایتون - فرکانس شاخص Python - Index Frequency

  • پایتون - تجسم Python - Visualization

  • چگونه برنامه نویسی را یاد گرفتم How I learned to program

تجزیه فصلی سری زمانی Time Series Seasonal Decomposition

  • استراتژی بازی Game Plan

  • تجزیه فصلی Seasonal Decomposition

  • اسکریپت را آماده کنید Prepare Script

  • فصلی ضربی و افزایشی Multiplicative and Additive seasonality

  • پایتون - تجزیه فصلی Python - Seasonal Decomposition

  • مدل سازی خطا و داده های سهام Error Modelling and Stock Data

  • پایتون - نمودارهای فصلی Python - Seasonality graphs

Holt-Winters Holt-Winters

  • استراتژی بازی Game Plan

  • مجموعه آموزش و تست Training and Test Set

  • پایتون - اسکریپت را آماده کنید Python - Prepare Script

  • Python - آموزش و مجموعه تست Python - Training and Test Set

  • هموارسازی نمایی و زمستان های داغ Exponential Smoothing and Holt-Winters

  • پایتون - Holt-Winters Python - Holt-Winters

  • پایتون - پیش بینی ها Python - Predictions

  • پایتون - تجسم Python - Visualization

  • ارزیابی مدل های سری زمانی Assessing Time Series Models

  • پایتون - MAE و RSME Python - MAE and RSME

  • پایتون - تابع MAPE Python - MAPE function

  • پایتون - صادرات پیش بینی ها Python - Exporting Forecasts

  • Python - آماده سازی Master Script Python - Preparing Master Script

  • مزایا، معایب و چالش Pros, Cons and Challenge

  • پایتون - راه حل های چالشی Python - Challenge Solutions

  • مدیریت ذینفعان Stakeholder Management

TBATS TBATS

  • استراتژی بازی Game Plan

  • مقدمه TBATS TBATS introduction

  • پایتون - اسکریپت را آماده کنید و بسته را نصب کنید Python - Prepare Script and Install Package

  • مولفه های خودرگرسیون و میانگین متحرک Autoregressive and Moving Average components

  • فصلی مثلثاتی و باکس کاکس Trigonometric Seasonality and Box Cox

  • پایتون - مدل TBATS Python - TBATS model

  • پایتون - پیش بینی و ترسیم Python - Predictions and Plotting

  • پایتون - ارزیابی دقت و صادرات Python - Accuracy Assessment and Exporting

  • مزایا، معایب و چالش Pros, Cons and Challenge

  • پایتون - راه حل های چالشی Python - Challenge Solutions

ARIMA، SARIMA و SARIMAX ARIMA, SARIMA and SARIMAX

  • استراتژی بازی Game Plan

  • خلاصه ARIMA و ARMA ARIMA and ARMA recap

  • پایتون - اسکریپت را آماده کنید Python - Prepare Script

  • ثابت بودن Stationarity

  • پایتون - تست دیکی فولر تقویت شده Python - Augmented Dickey Fuller Test

  • متغیرهای برون زا Exogenous Variables

  • پایتون - جداسازی رگرسیورها Python - Isolating Regressors

  • عوامل بهینه سازی در آریما و ساریما Optimizing factors in ARIMA and SARIMA

  • AIC و BIC AIC and BIC

  • پایتون - مدل SARIMAX Python - SARIMAX model

  • پایتون - خلاصه مدل و پیش بینی Python - Model Summary and Predictions

  • پایتون - تجسم، ارزیابی و صادرات Python - Visualization, Assessment and Exporting

  • مزایا، معایب و چالش Pros, Cons and Challenge

  • پایتون - راه حل های چالشی Python - Challenge Solutions

  • انتخاب Regressors Choosing Regressors

سری زمانی ساختاری TensorFlow TensorFlow Structural Time Series

  • استراتژی بازی Game Plan

  • سری زمانی ساختاری Structural Time Series

  • پایتون - اسکریپت را آماده کنید Python - Prepare Script

  • سری زمانی ساختاری TensorFlow TensorFlow Structural Time Series

  • پایتون - پس‌رونده Python - Regressors

  • پایتون - متغیر وابسته را جدا کنید Python - Isolate Dependent Variable

  • پایتون - فصلی هفتگی Python - Weekly Seasonality

  • پایتون - فصلی بودن ماهانه Python - Monthly Seasonality

  • Python - اصطلاحات روند و اتورگرسیو Python - Trend and Autoregressive Terms

  • پایتون - مدل TensorFlow Python - TensorFlow Model

  • قضیه مونت کارلو و بیز Monte Carlo and Bayes Theorem

  • پایتون - مدل مناسب Python - Fitting Model

  • پایتون - پیش بینی Python - Forecasting

  • پایتون - پیش بینی های قالب بندی Python - Formatting Predictions

  • پایتون - تجسم، ارزیابی و صادرات Python - Visualization, Assessment and Exporting

  • مزایا، معایب و چالش Pros, Cons and Challenge

  • پایتون - راه حل های چالشی Python - Challenge Solutions

پیامبر فیس بوک Facebook Prophet

  • استراتژی بازی Game Plan

  • معرفی پیامبر فیسبوک Facebook Prophet Introduction

  • پایتون - وارد کردن کتابخانه ها و داده ها Python - Importing Libraries and Data

  • Python - تبدیل متغیر تاریخ Python - Transforming Date Variable

  • پایتون - تغییر نام متغیرها Python - Renaming Variables

  • تعطیلات پویا Dynamic Holidays

  • پایتون - تعطیلات Python - holidays

  • پایتون - حذف متغیرها و مجموعه آموزشی Python - Removing Variable and Training Set

  • اجزای پیامبر فیس بوک Facebook Prophet Components

  • پایتون - مدل پیامبر Python - Prophet model

  • Python - Future Dataframe Python - Future Dataframe

  • پایتون - پیش بینی Python - Forecasting

  • پایتون - تجسم Python - Visualization

  • پایتون - ارزیابی مدل Python - Model Assessment

  • اعتبار سنجی متقابل Cross-Validation

  • پایتون - اعتبار سنجی متقابل Python - Cross-Validation

  • پایتون - نتایج Cross-Validation Python - Cross-Validation results

  • پارامترهایی که باید تنظیم شوند Parameters to be tuned

  • پایتون - شبکه پارامتر Python - Parameter Grid

  • پایتون - تنظیم فراپارامتر Python - Hyperparameter Tuning

  • پایتون - دریافت بهترین پارامترها Python - Getting Best Parameters

  • پایتون - مدل پیامبر نهایی Python - Final Prophet Model

  • مزایا، معایب و چالش Pros, Cons and Challenge

  • پایتون - راه حل های چالشی Python - Challenge Solutions

  • پیش بینی در اوبر Forecasting at Uber

فیس بوک پیامبر + XGBoost Facebook Prophet + XGBoost

  • استراتژی بازی Game Plan

  • پیامبر + XGBoost قدم به قدم Prophet + XGBoost step by step

  • پایتون - اسکریپت را آماده کنید Python - Prepare Script

  • XGBoost XGBoost

  • پایتون - استخراج متغیرهای پیامبر Python - Extracting Prophet Variables

  • Python - آموزش و مجموعه تست Python - Training and Test Set

  • پایتون - X و Y را جدا کنید Python - Isolate X and Y

  • ماتریس های XGBoost XGBoost Matrices

  • ویژگی ها و پارامترهای XGBoost XGBoost Quirks and Parameters

  • پایتون - تنظیم پارامترها Python - Setting Parameters

  • پایتون - مدل XGBoost Python - XGBoost Model

  • پایتون - پیش بینی Python - Forecasting

  • پایتون - تجسم Python - Visualization

  • پایتون - ارزیابی و صادرات Python - Assessment and Export

  • مزایا، معایب و چالش Pros, Cons and Challenge

  • پایتون - راه حل های چالشی Python - Challenge Solutions

گروه Ensemble

  • استراتژی بازی Game Plan

  • چرا آنسامبل؟ Why Ensemble?

  • پایتون - اسکریپت را آماده کنید Python - Prepare Script

  • پایتون - بارگذاری پیش بینی ها Python - Loading Predictions

  • پایتون - پیش بینی گروه Python - Ensemble Forecast

  • پایتون - تجسم و ارزیابی Python - Visualization and Assessment

  • مزایا و معایب Pros and Cons

بخش پاداش Bonus Section

  • سخنرانی پاداش Bonus Lecture

نمایش نظرات

نظری ارسال نشده است.

آموزش پیش بینی مدل ها و سری های زمانی برای کسب و کار در پایتون
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
8.5 hours
130
Udemy (یودمی) udemy-small
11 اسفند 1401 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
3,224
4.5 از 5
دارد
دارد
دارد

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Diogo Alves de Resende Diogo Alves de Resende

کارشناس تحلیل و علم داده

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.