آموزش استخراج داده ها از سری های زمانی

Mining Data from Time Series

Video Player is loading.
Current Time 0:00
Duration 0:00
Loaded: 0%
Stream Type LIVE
Remaining Time 0:00
 
1x
    • Chapters
    • descriptions off, selected
    • subtitles off, selected
      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.