آموزش پایتون برای پیش‌بینی سری‌های زمانی - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• نحوه استفاده از Codespaces How to use Codespaces

• چرا یادگیری پایتون کاربردی برای پیش‌بینی سری‌های زمانی مهم است؟ Why learn practical Python for time series forecasting?

1. مبانی: بارگذاری و پیش‌پردازش فایل‌های داده‌های سری زمانی 1. Foundations: Load and Preprocess Time Series Data Files

• اجزای تاریخ و زمان در ستون‌های مختلف Datetime components on different columns

• بارگذاری و پیش‌پردازش داده‌ها از اکسل Load and preprocess data from Excel

• چرا ستون تاریخ و زمان را به عنوان ایندکس قرار می‌دهیم؟ Why set the datetime column as index?

• جستجو و دانلود داده‌های اقتصادی فدرال رزرو Search and download Federal Reserve Economic Data

• بارگذاری فایل CSV و تنظیم نوع داده به تاریخ و زمان Load CSV and set dtype as datetime

2. بصری‌سازی داده‌های سری زمانی 2. Visualize Time Series Data

• نحوه تفسیر انواع مختلف نمودارها How to interpret different plot types

• ترفندهایی برای بصری‌سازی هم‌زمان چندین سری زمانی Tricks to visualize multiple time series at once

• کتابخانه‌های پایتون برای بصری‌سازی داده‌ها Python libraries for data visualization

• روش‌های بصری‌سازی داده‌ها با پایتون Methods to visualize data with Python

• سفارشی‌سازی تم پیش‌فرض Plotly Customize default Plotly theme

• تنظیم Plotly به عنوان بک‌اند پانداز برای رسم نمودار Set Plotly as pandas backend for plotting

3. تجزیه سری‌های زمانی (Decomposition) 3. Time Series Decomposition

• مقایسه مدل‌ها با استفاده از بصری‌سازی تعاملی Plotly Compare models using Plotly interactive visualization

• تفسیر مدل‌های تجزیه: جمعی در مقابل ضربی Interpret decomposition models: Additive vs. multiplicative

• ساخت دیتافریم از اجزای تجزیه شده Build DataFrame of components

• تجزیه فصلی با استفاده از Statsmodels Seasonal decompose with Statsmodels

• تجزیه داده‌های انرژی خورشیدی کالیفرنیا با استفاده از داده‌های EIA Decomposing California solar energy using data from EIA

• پیش‌پردازش داده‌ها برای تجزیه تحلیل دقیق Data preprocessing for insightful decomposition

4. پروژه عملی ۱ 4. Assignment 1

• دانلود داده‌های انرژی آمریکا با پایتون و API سازمان EIA Download US energy data using Python with EIA API

• استفاده از Copilot برای تفسیر گزارش‌های بصری با هوش مصنوعی Using Copilot to interpret a visual report with AI

• نحوه تعیین قوانین تجمیع و دوره‌های زمانی How to specify the aggregation rule and periods

• پیکربندی نوت‌بوک الگو بر اساس مجموعه‌داده‌های جدید Configure a template notebook based on new datasets

5. مدل‌سازی سری‌های زمانی برای پیش‌بینی: مدل‌های پایه 5. Model Time Series to Forecast: Baseline Models

• درک مفهومی مدل‌های پیش‌بینی Intuition behind forecasting models

• روش ساده فصلی (Seasonal Naive) Seasonal naive method

• روش میانگین متحرک (Moving Average) Moving average method

• ساخت دیتافریم برای جمع‌آوری مقادیر پیش‌بینی شده آینده Build DataFrame to gather forecasted future values

6. مدل میانگین متحرک یکپارچه خودرگرسیونی (ARIMA) 6. Autoregressive Integrated Moving Average (ARIMA)

• تغییرات مدل ARIMA با پارامترهای P، D و Q How ARIMA changes with parameters P, D, and Q

• محیط آزمایش برای تست پیکربندی‌های مختلف Playground to try different configurations

• تفاضل‌گیری برای دستیابی به ایستا بودن (Stationarity) Differencing to achieve stationarity

• عیب‌یابی برای تایید مفروضات Diagnostics to validate assumptions

• بررسی ACF و PACF ACF and PACF

• خلاصه: مراحل مهم در مدل‌سازی ARIMA Summary: Important steps to consider in ARIMA modeling

• مقدمه‌ای بر توسعه مدل‌های ARIMA Introduction to developing ARIMA models

• برازش مدل معادله ریاضی Fit mathematical equation model

7. مدل میانگین متحرک یکپارچه خودرگرسیونی فصلی (SARIMA) 7. Seasonal Autoregressive Integrated Moving Average (SARIMA)

• برازش مدل و پیش‌بینی Model fit and forecast

• خلاصه: از ARIMA به SARIMA Summary: From ARIMA to SARIMA

• عیب‌یابی برای تایید مفروضات Diagnostics to validate assumptions

• معرفی ترتیب فصلی در مدل SARIMA Introducing seasonal order with SARIMA model

8. ایستا بودن داده‌ها (Stationarity) 8. Data Stationarity

• معکوس کردن تبدیل لگاریتمی روی داده‌های پیش‌بینی شده Reverse log transformation on forecasted data

• تبدیل لگاریتمی برای دستیابی به ایستا بودن داده‌ها Log transformation to achieve data stationarity

• ایستا بودن در یک سری زمانی چگونه به نظر می‌رسد؟ How does stationarity look in a time series?

• تبدیلات داده‌ای برای دستیابی به ایستا بودن Data transformations to achieve stationarity

9. معیارهای اندازه‌گیری عملکرد مدل 9. Metrics to Measure Model Performance

• تفسیر معیارها از منظر تجاری Interpretation of metrics in business terms

• معیارهای خطا و مراحل محاسبه آن‌ها Error metrics and steps to calculate

• چرا از معیاری استفاده می‌کنیم که باقی‌مانده‌های مدل را تجمیع می‌کند؟ Why use a metric that aggregates the residuals of a model?

10. پروژه عملی ۲ 10. Assignment 2

• پیکربندی نوت‌بوک الگو بر اساس مجموعه‌داده‌های جدید Configure a template notebook based on new datasets

11. مدل‌های هموارسازی نمایی 11. Exponential Smoothing Models

• مقایسه SARIMA در مقابل هموارسازی نمایی SARIMA vs. exponential smoothing

• عیب‌یابی برای تایید مفروضات و انتخاب مدل مناسب Diagnostics to validate assumptions and inform model choice

• برازش مدل و پیش‌بینی Model fit and forecast

• درک پیکربندی‌های مدل بر اساس محیط آزمایش Understand model configurations based on playground

12. مدل‌سازی با Prophet 12. Prophet Modeling

• وارد کردن داده‌های تعطیلات به مدل Feed holidays data into the model

• نحوه تفسیر عیب‌یابی در مدل‌های قدرتمند (Robust) How to interpret diagnostics with robust models

• پیکربندی پارامترهای فصلی در Prophet Configure seasonality parameters in Prophet

• برازش مدل گام به گام Model fit step by step

• پیش‌پردازش داده‌ها برای پیش‌بینی و بصری‌سازی مقادیر Data preprocessing to forecast and visualize values

• مقدمه‌ای بر Prophet: یک مدل سری زمانی نیمه‌خودکار Introduction to Prophet: A semi-automatic time series model

13. ارزیابی و مقایسه مدل‌های سری زمانی: تقسیم داده‌ها به آموزش و تست 13. Evaluate and Compare Time Series Models: Train Test Split

• ارزیابی هم‌زمان چندین مدل Evaluate multiple models at once

• چرا هنگام برازش مدل، روی داده‌های دیده نشده تست می‌کنیم؟ Why test on unseen data during model fit?

• تقسیم آموزش و تست برای یک مدل Train-test split for one model

14. پروژه عملی ۳ 14. Assignment 3

• پیکربندی نوت‌بوک الگو بر اساس مجموعه‌داده‌های جدید Configure a template notebook based on new datasets

15. اعتبارسنجی پیش‌رونده (Walk Forward Validation) 15. Walk-Forward Validation

• اعتبارسنجی پیش‌رونده به عنوان یک انتخاب واقع‌بینانه‌تر Walk-forward validation as a more realistic choice

• TimeSeriesSplit چگونه برای تولید مجموعه‌های پیش‌رونده عمل می‌کند؟ How does TimeSeriesSplit work to produce walk-forward sets?

• اجرای آزمایش پیش‌رونده با چندین مدل Run a walk-forward experiment with multiple models

جمع‌بندی Conclusion

• گام‌های بعدی Next steps