آموزش تجزیه و تحلیل سری زمانی با پایتون 3.x [ویدئو]

Time Series Analysis with Python 3.x [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: تجزیه و تحلیل سری های زمانی شامل روش هایی برای بررسی داده های سری زمانی است که در طیف گسترده ای از حوزه ها یافت می شود. مجهز بودن به کار با داده های سری زمانی یک مهارت حیاتی برای دانشمندان داده است. در این دوره آموزشی، استخراج و تجسم آمار معنی دار از داده های سری زمانی را خواهید آموخت. شما چندین روش تحلیل را برای پروژه خود اعمال خواهید کرد. در طول مسیر، کاوش، تحلیل و پیش‌بینی داده‌های سری زمانی را یاد خواهید گرفت. شما با کار با زمان تاریخ پانداها و یافتن راه های مفید برای استخراج داده ها شروع می کنید. سپس با روابط سری زمانی همبستگی/خودهمبستگی و تشخیص ناهنجاری ها آشنا خواهید شد. شما در مورد مدل‌های اتورگرسیو (AR) و مدل‌های میانگین متحرک (MA) برای سری‌های زمانی یاد خواهید گرفت و ناهنجاری‌ها را با جزئیات بررسی خواهید کرد. همچنین خواهید فهمید که چگونه مدل های AR و MA را برای ساختن یک مدل ARMA قوی ترکیب کنید. همچنین نحوه ساخت مدل های پیش بینی سری های زمانی را با استفاده از ARIMA درک خواهید کرد. در نهایت، شما پروژه خود را در مورد تشخیص ناهنجاری سری های زمانی تکمیل خواهید کرد. در پایان این آموزش عملی، مهارت هایی را که برای انجام تحلیل سری های زمانی با استفاده از پایتون نیاز دارید، به دست خواهید آورد. لطفاً توجه داشته باشید که این دوره دارای دانش قبلی از برنامه نویسی پایتون است. دانش کاری پانداها و NumPy؛ و برخی تجربه کار با داده ها را دارند. بسته کد این دوره در https://github.com/PacktPublishing/Time-Series-Analysis-with-Python-3.x در دسترس است مفاهیم و تکنیک های کلیدی پانداها برای تجزیه و تحلیل مبتنی بر زمان مطالعه و کار با اجزای مهم داده های سری زمانی مانند روند، فصلی و نویز از مدل‌های یادگیری ماشینی رایج برای تجزیه و تحلیل استفاده کنید چگونه می توان داده های سری زمانی را از روند و فصلی خارج کرد داده ها را با AR، MA و ARMA دستکاری کنید برای تجزیه و تحلیل کارآمد، داده های سری زمانی را به اجزای آن تجزیه کنید ایجاد یک پروژه تشخیص ناهنجاری انتها به انتها بر اساس سری های زمانی این دوره برای کسانی است که به داده های مبتنی بر زمان علاقه مند هستند و دانش کاری پانداها و NumPy دارند. اگر توسعه‌دهنده پایتون هستید و می‌خواهید تجزیه و تحلیل را بر اساس داده‌های سری زمانی انجام دهید، این دوره برای شما مناسب است. انجام تجزیه و تحلیل سری های زمانی کارآمد با استفاده از پایتون و تسلط بر مدل های یادگیری ماشین ضروری * روش ها و تکنیک های سری زمانی مختلف را اعمال کنید و یک پروژه را گام به گام جمع آوری کنید * یک پروژه کامل بر روی تشخیص ناهنجاری بسازید که تاکید مشخصی بر برنامه های کاربردی در امور مالی دارد (یا هر دامنه دیگری

سرفصل ها و درس ها

راه اندازی و یادگیری روش های دریافت داده ها Setting Up and Learning Ways to Get Data

  • بررسی اجمالی دوره The Course Overview

  • نصب و راه اندازی Installation

  • عملیات پانداها Pandas Operations

  • کار با Pandas Datetime Working with Pandas Datetime

  • دریافت داده ها Getting Data

داده ها و روابط سری زمانی Time Series Data and Relationships

  • وارد کردن سری های زمانی در پایتون Importing Time Series in Python

  • مدل سازی و تجزیه سری های زمانی بر اساس روند و فصلی Modelling and Decomposing Time Series Based on Trend and Seasonality

  • رویکردهای Detrend و Desesonalize یک سری زمانی Approaches to Detrend and Deseasonalize a Time Series

  • همبستگی: رابطه بین سری Correlation: Relationship Between Series

  • خودهمبستگی: رابطه درون سری Autocorrelation: Relationship Within Series

کار با مدل های سری زمانی Operating with Time Series Models

  • ثابت بودن در سری زمانی Stationarity in Time Series

  • مدل های خودرگرسیون (AR) و میانگین متحرک (MA). Autoregression (AR) and Moving Average (MA) Models

  • تخمین مدل AR Estimating an AR Model

  • تخمین مدل MA Estimating an MA Model

  • ساخت مدل ARMA Building an ARMA Model

کار با مدل های مختلف ML برای تجزیه و تحلیل سری های زمانی Working with Various ML Models for Time Series Analysis

  • نحوه کار با مدل های ML برای تجزیه و تحلیل سری های زمانی How to Work with ML Models for Time Series Analysis

  • تجزیه و تحلیل سری های زمانی با استفاده از درخت تصمیم Time Series Analysis Using Decision Tree

  • تجزیه و تحلیل با استفاده از جنگل تصادفی Analysis Using Random Forest

  • افزایش گرادیان برای تجزیه و تحلیل سری Gradient-Boosted for Series Analysis

  • مدیریت ارزش های گمشده Handling Missing Values

تکمیل پروژه خود در مورد تشخیص ناهنجاری Completing Your Project on Anomaly Detection

  • نحوه کار با مدل های همگرایی How to Work with Cointegration Models

  • استفاده از آزمون علیت گرنجر Using Granger Causality Test

  • انجام پیش بینی و تحلیل با استفاده از ARIMA Performing Forecasting and Analysis Using ARIMA

  • تفسیر نتایج Interpretation of Results

نمایش نظرات

Packtpub یک ناشر دیجیتالی کتاب‌ها و منابع آموزشی در زمینه فناوری اطلاعات و توسعه نرم‌افزار است. این شرکت از سال 2004 فعالیت خود را آغاز کرده و به تولید و انتشار کتاب‌ها، ویدیوها و دوره‌های آموزشی می‌پردازد که به توسعه‌دهندگان و متخصصان فناوری اطلاعات کمک می‌کند تا مهارت‌های خود را ارتقا دهند. منابع آموزشی Packtpub موضوعات متنوعی از جمله برنامه‌نویسی، توسعه وب، داده‌کاوی، امنیت سایبری و هوش مصنوعی را پوشش می‌دهد. محتوای این منابع به صورت کاربردی و به‌روز ارائه می‌شود تا کاربران بتوانند دانش و توانایی‌های لازم برای موفقیت در پروژه‌های عملی و حرفه‌ای خود را کسب کنند.

آموزش تجزیه و تحلیل سری زمانی با پایتون 3.x [ویدئو]
جزییات دوره
3 h 23 m
24
Packtpub Packtpub
(آخرین آپدیت)
1
5 از 5
ندارد
دارد
دارد
Karen Yang
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Karen Yang Karen Yang

کارن یانگ بیش از 6 سال است که یک خودآموز پرشور در علوم کامپیوتر بوده است. او دارای برنامه نویسی، پردازش داده های بزرگ و تجربه مهندسی است. علایق اخیر او شامل محاسبات ابری است. او قبلاً به مدت 5 سال در یک برنامه عصرانه بزرگسالان کالج تدریس می کرد.