تحلیل سریهای زمانی، پیشبینی و یادگیری ماشین
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- مدلهای ETS و هموارسازی نمایی
- مدل روند خطی Holt و Holt-Winters
- مدلهای اتورگرسیون و میانگین متحرک (ARIMA)
- ARIMA فصلی (SARIMA) و SARIMAX
- Auto ARIMA
- کتابخانه پایتون statsmodels
- کتابخانه پایتون pmdarima
- یادگیری ماشین برای پیشبینی سریهای زمانی
- یادگیری عمیق (ANNs ،CNNs ،RNNs و LSTMs) برای پیشبینی سریهای زمانی
- Tensorflow 2 برای پیشبینی قیمت و بازده سهام
- مدلهای اتورگرسیون برداری (VAR) و میانگین متحرک برداری (VMA) (VARMA)
- AWS Forecast (سرویس پیشبینی سریهای زمانی آمازون)
- FB Prophet (کتابخانه سریهای زمانی فیسبوک)
- مدلسازی و پیشبینی سریهای زمانی مالی
- GARCH (مدلسازی نوسانات)
پیش نیازهای دوره
- مهارتهای نسبی در کدنویسی پایتون
- Numpy ،Matplotlib ،Pandas و Scipy (مدرس این موارد را رایگان آموزش میدهد! هدیه او به جامعه)
- حساب ماتریسی
- احتمالات
توضیحات دوره
سلام دوستان!
به دوره تحلیل سریهای زمانی، پیشبینی و یادگیری ماشین در پایتون خوش آمدید.
تحلیل سریهای زمانی در سالهای اخیر به یک حوزه بسیار مهم تبدیل شده است.
- با افزایش تورم، بسیاری برای اطمینان از اینکه پساندازشان ارزش خود را از دست ندهد، به بازار سهام و ارزهای دیجیتال روی میآورند.
- کووید-19 به ما نشان داد که چگونه پیشبینی ابزاری ضروری برای هدایت تصمیمات بهداشت عمومی است.
- کسبوکارها به طور فزایندهای کارآمد میشوند و موجودی و نیازهای عملیاتی را زودتر از موعد پیشبینی میکنند.
اجازه دهید مستقیم سر اصل مطلب برویم. این یک دوره معمولی تحلیل سریهای زمانی نیست. این دوره تحولات مدرن مانند یادگیری عمیق، طبقهبندی سریهای زمانی (که میتواند بینش کاربران را از داده گوشی هوشمند استخراج کند یا افکار شما را از فعالیت الکتریکی مغز بخواند) و موارد دیگر را پوشش میدهد.
ما تکنیکهایی مانند موارد زیر را پوشش خواهیم داد:
- ETS و هموارسازی نمایی
- مدل روند خطی Holt
- مدل Holt-Winters
- ARIMA ،SARIMA ،SARIMAX و Auto ARIMA
- ACF و PACF
- مدلهای اتورگرسیون برداری و میانگین متحرک (VAR ،VMA VARMA)
- مدلهای یادگیری ماشین (شامل رگرسیون لجستیک، ماشینهای بردار پشتیبان و جنگلهای تصادفی)
- مدلهای یادگیری عمیق (شبکههای عصبی مصنوعی، شبکههای عصبی کانولوشنی و شبکههای عصبی بازگشتی)
- GRUها و LSTMها برای پیشبینی سریهای زمانی
ما کاربردهایی مانند موارد زیر را پوشش خواهیم داد:
- پیشبینی سریهای زمانی داده فروش
- پیشبینی سریهای زمانی قیمت سهام و بازده سهام
- طبقهبندی سریهای زمانی داده گوشی هوشمند برای پیشبینی رفتار کاربر
نسخه VIP دوره موضوعات هیجانانگیزتری را نیز پوشش خواهد داد، مانند:
- AWS Forecast (API پیشبینی کمکد و پیشرفته آمازون)
- GARCH (مدلسازی نوسانات مالی)
- FB Prophet (کتابخانه سریهای زمانی فیسبوک)
پس منتظر چه هستید؟ همین حالا در این دوره شرکت کنید تا دسترسی مادامالعمر، و مهارتهای استفاده از جدیدترین تکنیکهای تحلیل سریهای زمانی که جای دیگری نمیتوانید بیاموزید؛ به دست آورید.
ویژگیهای منحصر به فرد
- توضیح دقیق هر خط کد - اگر مخالف هستید هر زمان خواستید به مدرس ایمیل بزنید
- عدم اتلاف وقت برای "تایپ کردن" روی کیبورد مانند سایر دورهها - بیایید صادق باشیم، هیچکس واقعاً نمیتواند کدی که ارزش یادگیری داشته باشد را فقط در 20 دقیقه از ابتدا بنویسد
- عدم ترس از ریاضیات سطح دانشگاهی - دریافت جزئیات مهم درباره الگوریتمهایی که سایر دورهها از قلم میاندازند
این دوره برای چه کسانی مناسب است؟
- هر کسی که عاشق تحلیل سریهای زمانی است یا میخواهد درباره آن بیاموزد.
- دانشجویان و متخصصانی که میخواهند حرفه خود را در امور مالی، تحلیل سریهای زمانی یا علم داده ارتقا دهند.
تحلیل سریهای زمانی، پیشبینی و یادگیری ماشین
-
مقدمه و سرفصلها 05:23
-
آمادگی (اختیاری) 04:46
-
محل دریافت کدها، نوتبوکها و دادهها 04:38
-
چگونه در این دوره موفق شویم؟ 03:04
-
خطاهای موقت 403 02:57
-
مقدمه بخش مبانی سری های زمانی 04:30
-
سری های زمانی چیست؟ 04:39
-
مدل سازی در مقابل پیش بینی 02:28
-
چرا به شکل ها اهمیت می دهیم؟ 06:13
-
انواع تسک ها 06:33
-
تبدیلات توان، لگاریتم و Box-Cox 06:03
-
قدرت، لاگ، و تبدیل Box-Cox در کد 06:05
-
معیارهای پیش بینی 11:22
-
مقدمهای بر سریهای زمانی مالی 11:02
-
شبیهسازی قیمت در کد 03:06
-
گام های تصادفی و فرضیه گام تصادفی 14:35
-
پیش بینی Naive و اهمیت بیس لاین ها 06:45
-
پیشبینی ساده و معیارهای پیشبینی در کد 07:14
-
خلاصه بخش مبانی سری های زمانی 03:14
-
صندوق پیشنهادات 03:10
-
مقدمه بخش هموارسازی نمایی 03:02
-
بینش هموارسازی نمایی برای مبتدیان 05:37
-
تئوری SMA 03:36
-
کد SMA 08:41
-
تئوری EWMA 11:07
-
کد EWMA 07:39
-
تئوری SES 10:13
-
کد SES 11:55
-
مدل ترند خطی Holt (تئوری) 07:55
-
مدل ترند خطی Holt (کد) 03:13
-
Holt-Winters (تئوری) 11:20
-
Holt-Winters (کد) 07:52
-
اعتبار سنجی Walk-Forward 09:06
-
اعتبارسنجی Walk-Forward در کد 08:29
-
اپلیکیشن: داده فروش 05:00
-
اپلیکیشن: پیش بینی های سهام 05:37
-
اپلیکیشن SMA - شمارش مبتلایان COVID-19 03:06
-
اپلیکیشن SMA: تریدینگ الگوریتمی 02:08
-
خلاصه بخش هموارسازی نمایی 03:59
-
(اختیاری) اطلاعات بیشتر درباره مدل های حالت - فضا 11:22
-
بخش ARIMA مقدمه 05:18
-
مدل های خودرگرسیون - AR (p) 12:51
-
مدل های میانگین متحرک - MA(q) 03:31
-
ARIMA 10:45
-
ARIMA در کد 19:15
-
ایستایی 13:01
-
ایستایی در کد 09:50
-
ACF (تابع خودهمبستگی) 10:10
-
PACF (تابع خودهمبستگی جزئی) 06:55
-
ACF و PACF در کد - بخش 1 08:26
-
ACF و PACF در کد - بخش 2 07:03
-
Auto ARIMA و SARIMAX 09:41
-
انتخاب مدل، AIC و BIC 09:50
-
Auto ARIMA در کد 14:04
-
ARIMA خودکار در کد (سهام) 15:45
-
ACF و PACF برای بازده سهام 07:01
-
ARIMA خودکار در کد (داده فروش) 09:45
-
چگونه با ARIMA پیش بینی کنیم؟ 09:14
-
پیش بینی خارج از نمونه 01:26
-
خلاصه بخش ARIMA 03:31
-
مقدمه بخش اتورگرسیون برداری 02:30
-
تئوری VAR و VARMA 13:11
-
کد VARMA (بخش 1) 07:36
-
کد VARMA (بخش 2) 06:47
-
کد VARMA (بخش 3) 06:25
-
کد اقتصادسنجی VARMA (بخش 1) 07:51
-
کد اقتصادسنجی VARMA (بخش 2) 09:17
-
علیت گرانجر 04:28
-
کد علیت گرانجر 03:19
-
تبدیل بین مدلها (اختیاری) 11:45
-
خلاصه بخش خودرگرسیون برداری 03:39
-
مقدمه بخش یادگیری ماشین 03:52
-
یادگیری ماشینی تحت نظارت: طبقه بندی و رگرسیون 14:26
-
مدل های یادگیری ماشین خودرگرسیون 07:34
-
الگوریتم های یادگیری ماشین - رگرسیون خطی 05:05
-
الگوریتم های یادگیری ماشین - رگرسیون لجستیک 06:54
-
الگوریتم های یادگیری ماشینی: ماشین بردار پشتیبانی 10:02
-
الگوریتم های یادگیری ماشینی: جنگل تصادفی 06:52
-
برون یابی و قیمت سهام 08:47
-
یادگیری ماشینی برای سری های زمانی پیش بینی در کد - بخش 1 13:00
-
پیش بینی با تفاضل گیری 04:21
-
یادگیری ماشینی برای سری های زمانی پیش بینی در کد - بخش 2 06:47
-
اپلیکیشن: داده فروش 05:24
-
اپلیکیشن: پیش بینی قیمت و بازده سهام 04:52
-
اپلیکیشن: پیش بینی حرکات سهام 04:06
-
خلاصه بخش یادگیری ماشین 02:23
-
شبکه های عصبی مصنوعی - مقدمه بخش 03:24
-
نورون 09:58
-
پس انتشار رو به جلو 09:40
-
تصویر هندسی 09:43
-
توابع فعالسازی 17:18
-
طبقه بندی چند کلاسی 08:41
-
آمادهسازی کد ANN 11:56
-
Feedforward ANN برای کد پیش بینی سری های زمانی 10:15
-
Feedforward ANN برای کد بازده سهام و پیش بینی قیمت 08:50
-
مجموعه داده شناسایی فعالیت های انسانی 05:53
-
تشخیص فعالیت های انسانی: آماده سازی کد 06:23
-
تشخیص فعالیت های انسانی: بررسی داده 07:35
-
تشخیص فعالیت انسانی: ANN چند ورودی 10:59
-
تشخیص فعالیت انسانی: مدل مبتنی بر ویژگی 05:56
-
شناسایی فعالیت های انسانی - مدل ترکیبی 03:06
-
شبکه عصبی چگونه "یاد می گیرد"؟ 10:49
-
شبکههای عصبی مصنوعی: خلاصه بخش 02:18
-
مقدمه بخش CNN 03:07
-
کانولوشن چیست؟ 16:38
-
کانولوشن چیست؟ (تطبیق الگو) 05:56
-
کانولوشن چیست؟ (اشتراک گذاری وزن) 06:41
-
کانولوشن در تصاویر رنگی 15:58
-
کانولوشن برای سری های زمانی و ARIMA 04:59
-
معماری CNN 23:21
-
آماده سازی کد CNN 06:16
-
CNN برای پیش بینی سری های زمانی در کد 06:45
-
CNN برای تشخیص فعالیت انسانی 06:22
-
خلاصه بخش CNN 03:14
-
مقدمه بخش RNN 04:46
-
یونیت RNN و Elman ساده - بخش 1 09:20
-
یونیت RNN و Elman ساده - بخش 2 09:42
-
Aside - مدل های حالت فضا در مقابل RNNs 03:30
-
آماده سازی کد RNN 08:38
-
RNNs - درک بر اساس پیاده سازی (توجه به شکل ها) 08:26
-
GRU و LSTM (بخش 1) 17:35
-
GRU و LSTM - بخش 2 11:36
-
LSTM برای پیشبینی سریهای زمانی در کد 28:59
-
LSTM برای طبقه بندی سری های زمانی در کد 06:10
-
ناکارآمدی بی دلیل شبکه های عصبی بازگشتی 03:18
-
خلاصه بخش RNN 02:57
-
مقدمه بخش GARCH 03:56
-
نظریه ARCH - بخش 1 04:57
-
نظریه ARCH - بخش 2 07:36
-
نظریه ARCH - بخش 3 05:15
-
نظریه GARCH 07:40
-
آمادهسازی کد GARCH (بخش 1) 07:54
-
آمادهسازی کد GARCH (بخش 2) 07:55
-
کد GARCH - بخش 1 06:07
-
کد GARCH - بخش 2 08:30
-
کد GARCH - بخش 3 07:11
-
کد GARCH - بخش 4 05:52
-
کد GARCH - بخش 5 04:20
-
رویکرد یادگیری عمیق به GARCH 11:27
-
خلاصه بخش GARCH 06:36
-
مقدمه بخش AWS Forecast 08:02
-
مدل داده 09:16
-
ایجاد نقش IAM 04:09
-
کدنویسی - بخش 1 (دریافت و تبدیل داده) 09:59
-
کدنویسی - بخش 2 (بارگذاری داده در S3) 12:52
-
کدنویسی - بخش 3 (ساخت مدل خود) 06:52
-
کدنویسی - بخش 4 (ایجاد و ارزیابی پیش بینی) 06:49
-
تمرین AWS Forecast 02:54
-
خلاصه بخش AWS Forecast 04:55
-
مقدمه بخش Prophet 03:11
-
Prophet چگونه کار میکند؟ 08:24
-
Prophet: آمادهسازی کد 12:41
-
Prophet در کد: آمادهسازی دادهها 08:59
-
Prophet در کدنویسی: Fit، پیش بینی، طرح 08:30
-
Prophet در کدنویسی: تعطیلات و رگرسورهای برون زا 10:19
-
Prophet در کدنویسی - اعتبارسنجی متقابل 06:07
-
Prophet در کدنویسی: تشخیص نقطه تغییر 04:14
-
Prophet - فصلی بودن چندگانه، داده پرت، داده های غیر روزانه 10:16
-
(خطرات) Prophet برای پیش بینی قیمت سهام 13:10
-
خلاصه بخش Prophet 03:27
-
ضمیمه چیست؟ 03:46
-
بررسی پیش از نصب 04:12
-
راهاندازی محیط Anaconda 20:20
-
چگونه Numpy ،Scipy ،Matplotlib ،Pandas ،IPython ،Theano و تنسورفلو را نصب کنیم؟ 17:22
-
چگونه خودمان کدنویسی کنیم؟ - بخش 1 15:56
-
چگونه خودمان کدنویسی کنیم؟ - بخش 2 09:23
-
اثبات اینکه استفاده از Jupyter Notebook با استفاده نکردن از آن یکسان است 12:29
-
شروع کار عملی، تجربه کدنویسی عملی و لینک های داده 08:33
-
کجا عیب یابی کد را دریافت کنید؟ 04:06
-
چگونه از گیت هاب استفاده کنیم؟ و نکات اضافی کدنویسی (اختیاری) 11:12
-
چگونه در این دوره موفق شوید؟ (نسخه طولانی) 10:24
-
این دوره برای مبتدیان مناسب است یا متخصصان؟ آکادمیک است یا عملی؟ سریع است یا آهسته؟ 22:04
-
نقشه راه پیش نیازهای یادگیری ماشین و هوش مصنوعی - بخش 1 11:18
-
نقشه راه پیش نیازهای یادگیری ماشین و هوش مصنوعی - بخش 2 16:07
-
هدیه 05:48
مشخصات آموزش
تحلیل سریهای زمانی، پیشبینی و یادگیری ماشین
- تاریخ به روز رسانی: 1404/12/10
- سطح دوره:متوسط
- تعداد درس:175
- مدت زمان :23:27:39
- حجم :7.34GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy