پایتون برای پیش‌بینی سری‌های زمانی

معرفی
سرفصل

✅ سرفصل و جزئیات آموزش

پیش‌بینی عملی سری‌های زمانی با پایتون را با استفاده از مجموعه داده‌های دنیای واقعی از حوزه انرژی (EIA – اداره اطلاعات انرژی ایالات متحده) و اقتصاد (FRED – داده‌های اقتصادی فدرال رزرو) بیاموزید.

مهارت‌ها را گام به گام، از بارگذاری و پیش‌پردازش داده‌های سری زمانی گرفته تا تجزیه روندها و فصلی بودن، مصورسازی الگوها با Plotly و به کارگیری مدل‌های پیش‌بینی مانند ARIMA و SARIMA، هموارسازی نمایی و Prophet، ایجاد کنید. یاد بگیرید که عملکرد مدل را با استفاده از معیارهای خطا و تکنیک‌های اعتبارسنجی متقابل مانند اعتبارسنجی پیش‌رو ارزیابی کنید.

این دوره بر تمرین‌های عملی در محیط GitHub Codespaces تأکید دارد، بنابراین می‌توانید آموخته‌های خود را بلافاصله بر روی مجموعه داده‌های خودتان اعمال کنید. چه با داده‌های فروش، انرژی یا مالی کار کنید، مهارت‌های لازم برای تولید پیش‌بینی‌های دقیق و قابل تفسیری که منجر به تصمیم‌گیری‌های واقعی می‌شوند، به دست خواهید آورد.

پایتون برای پیش‌بینی سری‌های زمانی

فصل 1: مقدمه

چرا یادگیری پایتون عملی در پیش‌بینی سری‌های زمانی مهم است؟ 0:00:41
چگونگی استفاده از Codespaces 0:03:26

فصل 2: مبانی: بارگذاری و پیش‌پردازش فایل‌های داده سری زمانی

جستجو و دانلود داده‌های اقتصادی فدرال رزرو (FRED) 0:01:39
بارگذاری فایل CSV و تنظیم dtype به عنوان datetime 0:05:12
کامپوننت های datetime در ستون‌های مختلف 0:01:01
چرا ستون datetime را به عنوان شاخص تنظیم کنیم؟ 0:03:39
بارگذاری و پیش‌پردازش داده‌ها از اکسل 0:02:18

فصل 3: مصورسازی داده‌های سری زمانی

متدهایی برای مصورسازی داده‌ها با پایتون 0:02:27
کتابخانه‌های پایتون برای مصورسازی داده‌ها 0:04:18
تنظیم Plotly به عنوان بک‌اند رسم نمودار در pandas 0:01:40
سفارشی‌سازی پوسته پیش‌فرض Plotly 0:04:18
چگونگی تفسیر انواع مختلف نمودار 0:03:49
ترفندهایی برای مصورسازی همزمان چندین سری زمانی 0:03:09

فصل 4: تجزیه سری زمانی

تجزیه داده‌های انرژی خورشیدی کالیفرنیا با استفاده از داده‌های EIA 0:02:27
پیش‌پردازش داده‌ها برای یک تجزیه روشنگرانه 0:05:34
تجزیه فصلی با Statsmodels 0:03:33
تفسیر مدل‌های تجزیه: جمعی در مقابل ضربی 0:04:10
ساخت DataFrame از کامپوننت ها 0:04:25
مقایسه مدل‌ها با استفاده از مصورسازی تعاملی Plotly 0:05:25

فصل 5: تمرین شماره 1

دانلود داده‌های انرژی ایالات متحده با استفاده از پایتون و EIA API 0:08:01
پیکربندی یک نوت‌بوک الگو بر اساس مجموعه داده‌های جدید 0:10:27
چگونگی مشخص کردن قانون تجمیع و دوره‌ها 0:02:35
استفاده از Copilot برای تفسیر یک گزارش تصویری با هوش مصنوعی 0:02:53

فصل 6: مدل‌سازی سری زمانی برای پیش‌بینی: مدل‌های بیس لاین

درک شهودی پشت مدل‌های پیش‌بینی 0:01:47
ساخت DataFrame برای جمع‌آوری مقادیر پیش‌بینی‌شده آینده 0:06:22
متد میانگین متحرک 0:06:27
متد فصلی ساده 0:02:26

فصل 7: میانگین متحرک خودهمبسته یکپارچه (ARIMA)

مقدمه‌ای بر توسعه مدل‌های ARIMA 0:02:27
برازش مدل معادله ریاضی 0:04:28
چگونه ARIMA با پارامترهای P، D و Q تغییر می‌کند؟ 0:01:38
تفاضل‌گیری برای رسیدن به ایستایی 0:05:14
توابع ACF و PACF 0:06:17
محیط آزمون و خطا برای امتحان کردن پیکربندی‌های مختلف 0:05:03
عیب‌یابی برای اعتبارسنجی فرضیات 0:09:36
خلاصه: مراحل مهمی که باید در مدل‌سازی ARIMA در نظر گرفت 0:02:37

فصل 8: میانگین متحرک خودهمبسته یکپارچه فصلی (SARIMA)

معرفی مرتبه فصلی با مدل SARIMA 0:01:44
برازش مدل و پیش‌بینی 0:04:00
عیب‌یابی برای اعتبارسنجی فرضیات 0:02:19
خلاصه: از ARIMA تا SARIMA 0:02:18

فصل 9: ایستایی داده‌

ایستایی در یک سری زمانی چگونه به نظر می‌رسد؟ 0:01:12
تبدیل لگاریتمی برای رسیدن به ایستایی داده 0:04:02
تبدیل معکوس لگاریتمی بر روی داده‌های پیش‌بینی‌شده 0:03:00
تبدیل‌های داده برای رسیدن به ایستایی 0:02:25

فصل 10: معیارها برای سنجش عملکرد مدل

چرا از معیاری استفاده کنیم که باقیمانده‌های یک مدل را تجمیع می‌کند؟ 0:02:30
معیارهای خطا و مراحل محاسبه آن‌ها 0:05:32
تفسیر معیارها در اصطلاحات کسب‌وکار 0:03:19

فصل 11: تمرین شماره 2

پیکربندی یک نوت‌بوک الگو بر اساس مجموعه داده‌های جدید 0:12:17

فصل 12: مدل‌های هموارسازی نمایی

مقایسه SARIMA و هموارسازی نمایی 0:01:23
برازش مدل و پیش‌بینی 0:02:27
درک پیکربندی‌های مدل بر اساس محیط آزمون و خطا 0:02:50
عیب‌یابی برای اعتبارسنجی فرضیات و کمک به انتخاب مدل 0:02:35

فصل 13: مدل‌سازی با Prophet

مقدمه‌ای بر Prophet: یک مدل سری زمانی نیمه‌خودکار 0:01:58
برازش مدل به صورت گام به گام 0:05:40
وارد کردن داده‌های تعطیلات به مدل 0:02:15
پیش‌پردازش داده‌ها برای پیش‌بینی و مصورسازی مقادیر 0:02:20
پیکربندی پارامترهای فصلی در Prophet 0:02:06
چگونگی تفسیر عیب‌یابی‌ها با مدل‌های استوار 0:01:26

فصل 14: ارزیابی و مقایسه مدل‌های سری زمانی: تقسیم داده به دو بخش آموزش و آزمون

چرا در حین برازش مدل، آن را روی داده‌های دیده‌نشده تست کنیم؟ 0:04:56
تقسیم داده به دو بخش آموزش و آزمون برای یک مدل 0:08:20
ارزیابی همزمان چندین مدل 0:07:45

فصل 15: تمرین شماره 3

پیکربندی یک نوت‌بوک الگو بر اساس مجموعه داده‌های جدید 0:11:32

فصل 16: اعتبارسنجی راه‌پیش

اعتبارسنجی پیش‌رو به عنوان یک انتخاب واقع‌گرایانه‌تر 0:02:10
اجرای یک آزمایش اعتبارسنجی پیش‌رو با چندین مدل 0:07:51
TimeSeriesSplit چگونه برای تولید مجموعه‌های اعتبارسنجی پیش‌رو کار می‌کند؟ 0:04:26