مقدمه‌ای بر سری‌های زمانی با Python [2023]

آنچه یاد خواهید گرفت:

• Pandas
• Matplotlib
• Statsmodels
• Scipy
• Prophet
• seaborn
• Z-score
• متد Turkey
• Silverkite
• نویز قرمز و سفید
• rupture
• XGBOOST
• Alibi_detect
• تجزیه STL
• هم‌انباشتگی
• sklearn
• خودهمبستگی
• باقی‌مانده طیفی 
• MaxNLocator
• Winsorization
• مرتبه فوریه
• فصل‌پذیری جمع‌شونده 
• فصل‌پذیری ضربی
• ایمپیوتاسیون تک‌متغیره 
• ایمپیوتاسیون چندمتغیره 
• درون‌یابی 
• پرکردن رو به جلو و پرکردن رو به عقب 
• میانگین متحرک
• مدل‌های میانگین متحرک خودهمبسته 
• تحلیل فوریه 
• مدل ARIMA

توضیحات دوره

به حوزه سری‌های زمانی علاقه‌مند هستید؟ پس این دوره مناسب شماست!

این دوره توسط یک مهندس نرم‌افزار طراحی شده است. با دانش و تجربه‌ای که مدرس طی سال‌ها کسب کرده است، می‌تواند دانش خود را با شما به اشتراک بگذارد و به شما کمک کند تا نظریه‌های پیچیده، الگوریتم‌ها و کتابخانه‌های کدنویسی را به سادگی بیاموزید.

مدرس شما را با مفهوم سری‌های زمانی و چگونگی به کارگیری تکنیک‌های یادگیری ماشین در سری‌های زمانی آشنا می‌کند. با هر آموزش، مهارت‌های جدیدی توسعه خواهید داد و درک خود را از این زیرشاخه چالش‌برانگیز اما پردرآمد یادگیری ماشین بهبود خواهید بخشید.

این دوره سرگرم‌کننده و هیجان‌انگیز است، اما در عین حال، با مفاهیم و تمریناتی عمیقاً به مبحث سری‌های زمانی می‌پردازد تا درک کنید سری زمانی چیست و چگونه آن را پیاده‌سازی کنید. در طول نسخه کاملاً جدید این دوره، ابزارها و فناوری‌های بسیاری پوشش داده می‌شوند، از جمله:

• Pandas
• Matplotlib
• sklearn
• Statsmodels
• Scipy
• Prophet
• seaborn
• Z-score
• متد Turkey
• Silverkite
• نویز قرمز و سفید
• rupture
• XGBOOST
• Alibi_detect
• تجزیه STL
• هم‌انباشتگی 
• خودهمبستگی 
• باقی‌مانده طیفی 
• MaxNLocator
• Winsorization
• مرتبه فوریه
• فصل‌پذیری جمع‌شونده
• فصل‌پذیری ضربی
• ایمپیوتاسیون تک‌متغیره
• ایمپیوتاسیون چندمتغیره
• درون‌یابی
• پرکردن رو به جلو و پرکردن رو به عقب
• میانگین متحرک
• مدل‌های میانگین متحرک خودهمبسته
• تحلیل فوریه
• مدل ARIMA

علاوه بر این، دوره مملو از تمرینات عملی است که بر اساس مثال‌های واقعی طراحی شده‌اند. بنابراین نه تنها تئوری را می‌آموزید، بلکه با تمرین عملی ساخت مدل‌های خودتان نیز دست‌به‌کار می‌شوید. 5 پروژه بزرگ درباره مسائل حوزه سلامت و 1 پروژه کوچک برای تمرین وجود دارد. این پروژه‌ها در زیر فهرست شده‌اند:

• پروژه تاکسی نیویورک 
• پروژه مسافران هوایی
• پروژه گیشه فروش فیلم
• پروژه CO2
• پروژه کلیک
• پروژه فروش
• پروژه تولید آبجو
• پروژه درمان پزشکی
• برنامه اشتراک دوچرخه Divvy
• اینستاگرام
• لکه‌های خورشیدی

این دوره برای چه کسانی مناسب است؟

• هر کسی که به یادگیری ماشین علاقه‌مند است.
• دانش‌آموزانی که حداقل دانش دبیرستانی در ریاضیات دارند و می‌خواهند یادگیری ماشین، یادگیری عمیق و هوش مصنوعی را شروع کنند.
• افرادی که چندان با کدنویسی راحت نیستند اما به یادگیری ماشین، یادگیری عمیق و هوش مصنوعی علاقه‌مند هستند و می‌خواهند آن را به سادگی روی مجموعه داده‌ها اعمال کنند.
• دانشجویان کالج که می‌خواهند حرفه‌ای را در علم داده آغاز کنند.
• افرادی که می‌خواهند با استفاده از ابزارهای قدرتمند یادگیری ماشین، هوش مصنوعی و یادگیری عمیق، ارزش افزوده برای کسب‌وکارهای خود ایجاد کنند. افرادی که می‌خواهند در شرکت‌های خودروسازی به عنوان دانشمند داده، یا مهندس یادگیری ماشین، یادگیری عمیق و هوش مصنوعی کار کنند.
• هر کسی که می‌خواهد دانش خود را در زمینه یادگیری ماشین، یادگیری عمیق و هوش مصنوعی ارتقا دهد.