پیش‌ بینی فروش با سری‌ های زمانی، LightGBM و جنگل تصادفی

معرفی
سرفصل

✅ سرفصل و جزئیات آموزش

یاد بگیرید که چگونه مدل‌ های پیش‌ بینی فروش را با استفاده از سری‌ های زمانی، ARIMA ،SARIMA ،LightGBM، جنگل تصادفی و LSTM بسازید.

آنچه یاد خواهید گرفت

یاد بگیرید که چگونه مدل‌ های پیش‌ بینی فروش را با استفاده از سری‌ های زمانی، ARIMA ،SARIMA ،LightGBM، جنگل تصادفی و LSTM بسازید.
یاد بگیرید که چگونه تحلیل تقسیم‌ بندی مشتریان را انجام دهید.
یاد بگیرید که چگونه روند عملکرد فروش را تحلیل کنید.
یاد بگیرید که چگونه دقت و عملکرد مدل پیش‌ بینی را با محاسبه خطای مطلق متوسط ارزیابی کنید و تحلیل باقیمانده را انجام دهید.
یاد بگیرید که مدل پیش‌ بینی سری زمانی چگونه کار می‌ کند. این بخش شامل جمع‌ آوری داده‌، پیش‌ پردازش، تقسیم‌ بندی داده‌ آموزشی و آزمایشی، انتخاب مدل و آموزش مدل خواهد بود.
یاد بگیرید که عوامل مؤثر بر عملکرد فروش، مانند روندهای فصلی، اشباع بازار و کارایی زنجیره تأمین را شناسایی کنید.
یاد بگیرید که چگونه مجموعه داده‌ ها را از Kaggle پیدا کرده و دانلود کنید.
یاد بگیرید که چگونه مجموعه داده‌ را با حذف ردیف‌ های گمشده و مقادیر تکراری پاک‌ سازی کنید.
یاد بگیرید که چگونه کارایی تحقق سفارش را تحلیل کنید.
یاد بگیرید که اصول اولیه پیش‌ بینی فروش چیست.

پیش نیازهای دوره

نیازی به تجربه قبلی در پیش‌ بینی فروش نیست.
دانش اولیه در پایتون و آمار داشته باشید.

توضیحات دوره

این یک دوره مبتنی بر پروژه جامع است که در آن به صورت گام به گام یاد می‌ گیرید چگونه مدل‌ های پیش‌ بینی فروش را بسازید. این دوره ترکیب کاملی از یادگیری ماشین و تحلیل فروش است و فرصتی ایده‌ آل برای تقویت مهارت‌ های علوم داده شما محسوب می‌ شود.

این دوره بر سه جنبه اصلی تمرکز خواهد کرد: جنبه اول تحلیل داده‌ است که در آن به بررسی مجموعه داده‌ گزارش فروش از زوایای مختلف می‌ پردازید، جنبه دوم انجام تحلیل تقسیم‌ بندی مشتریان است و جنبه سوم ساخت مدل‌ های پیش‌ بینی فروش با استفاده از سری‌ های زمانی، LightGBM، جنگل تصادفی، LSTM و SARIMA (میانگین متحرک اتورگرسیو یکپارچه فصلی) است.

این دوره برای چه کسانی مناسب است؟

افرادی که به پیش‌ بینی فروش با استفاده از ARIMA ،SARIMA LightGBM، جنگل تصادفی و LSTM علاقه‌ مند هستند.
افرادی که به انجام تحلیل تقسیم‌ بندی مشتریان علاقه‌ مند هستند.