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