آموزش استخراج داده ها از سری های زمانی

Mining Data from Time Series

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: تجزیه و تحلیل سری های زمانی را در پایتون تسلط دارید و می توانید پیش بینی های کمی مقوی ایجاد کنید. آیا با تجزیه و تحلیل داده های سری زمانی دست و پنجه نرم می کنید یا می خواهید یک مدل پیش بینی کمی کمی در پایتون ایجاد کنید؟ در این دوره ، Mining Data from Time Series ، شما توانایی مدل سازی و پیش بینی سری های زمانی را در پایتون خواهید داشت. در ابتدا ، شما در مورد داده های سری زمانی یاد خواهید گرفت ، این داده ها در امتداد یک جدول زمانی با صفات آماری خاص برای هر مدل بسیار مهم است. سپس ، ابتدا مقدمات آماری را قبل از غواصی در مدل های سری کلاسیک ARIMA ، تجزیه فصلی و همچنین صاف سازی نمایی مشاهده خواهید کرد. سرانجام ، برخی از مفاهیم پیشرفته مانند بسته جدید Prophet از فیس بوک یا سری های زمانی چند متغیره را کشف خواهید کرد. هنگامی که با این دوره به پایان رسیدید ، مهارت و دانش تجزیه و تحلیل سری زمانی لازم برای مدل سازی و پیش بینی مجموعه داده های سری زمانی متغیر استاندارد را خواهید داشت.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

مقدمه Introduction

  • معرفی Intro

  • مدیریت انتظارات Managing Expectations

  • تحلیل سری زمانی چیست؟ What Is Time Series Analysis?

  • فریم های زمانی پیش بینی شده Forecast Time Frames

  • چرا از پایتون استفاده کنیم؟ Why Use Python?

  • مجموعه داده های دوره Course Datasets

  • اشیا Data داده های سری زمانی Time Series Data Objects

  • خلاصه Summary

آمار سری های زمانی The Statistics of Time Series

  • معرفی Intro

  • تجسم سری های زمانی Time Series Visualizations

  • ایستایی در داده های سری زمانی Stationarity in Time Series Data

  • آزمون ADF برای ثابت بودن ADF Test for Stationarity

  • همبستگی خودکار در متغیرهای سری زمانی Autocorrelation in Time Series Variables

  • نمودارهای ACF و PACF برای همبستگی خودکار ACF and PACF Plots for Autocorrelation

  • میانگین متحرک و هموار کننده Moving Averages and Smoothers

  • اجرای نرم و صاف Smoother Implementation

  • خلاصه Summary

استفاده از مدل های ARIMA در پایتون Using ARIMA Models in Python

  • معرفی Intro

  • پیشینه ARIMA ARIMA Background

  • با استفاده از تاپل Using a Tuple

  • انتخاب پارامتر دستی Manual Parameter Selection

  • باقیمانده مدل Model Residuals

  • بهبود مدل Model Improvement

  • پیش بینی براساس ARIMA Forecasting Based on ARIMA

  • خلاصه Summary

مدیریت مجموعه داده های فصلی و کار با فصلی Handling Seasonal Datasets and Working with Seasonality

  • معرفی Intro

  • تجسم داده های فصلی Visualizing Seasonal Data

  • اتوماسیون ساریما SARIMA Automation

  • SARIMA نسخه ی نمایشی SARIMA Demo

  • تجزیه فصلی Seasonal Decomposition

  • تجزیه STL STL Decomposition

  • خلاصه Summary

استفاده از مدلهای هموار کننده نمایی در پایتون Using Exponential Smoothing Models in Python

  • معرفی Intro

  • زمینه صاف کردن نمایی Exponential Smoothing Background

  • نسخه ی نمایشی: صاف کردن نمایی Demo: Exponential Smoothing

  • خلاصه Summary

آمار چند متغیره ، پیامبر و منابع دیگر Multivariate Statistics, Prophet, and Further Resources

  • معرفی Intro

  • سری های زمانی چند متغیره Multivariate Time Series

  • پیشینه پیامبر Background on Prophet

  • نسخه ی نمایشی: پیامبر Demo: Prophet

  • منابع بیشتر Further Resources

  • خلاصه دوره Course Summary

نمایش نظرات

آموزش استخراج داده ها از سری های زمانی
جزییات دوره
2h 59m
43
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
17
4.4 از 5
دارد
دارد
دارد
Martin Burger
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Martin Burger Martin Burger

مارتین پیش از آنکه مشاور علوم داده و نویسنده شود ، آمار زیست شناسی را مطالعه کرد و در چندین شرکت دارویی کار می کرد. وی بیش از 15 دوره در زمینه R ، Tableau 9 و سایر موضوعات مرتبط با علوم داده منتشر کرد. تمرکز اصلی وی بر روی نرم افزارهای تجزیه و تحلیل مانند R و SPSS است اما به ابزارهای مدرن تجسم داده مانند Tableau نیز علاقه مند است. اگر او مشغول برنامه نویسی ، وبلاگ نویسی یا کار با مفاهیم جدید تدریس نیست ، ممکن است او را در حال اسکی یا پیاده روی در کوه های آلپ پیدا کنید.