پیش‌ بینی بازار ارزهای دیجیتال با سری زمانی و یادگیری ماشین

در این دوره نحوه پیش بینی بازار ارزهای دیجیتال با مدل Prophet، تجزیه سری زمانی، جنگل تصادفی و XGBoost را می آموزید.

آنچه یاد خواهید گرفت:

• اصول اولیه پیش‌ بینی بازار ارزهای دیجیتال، مانند آشنایی با ویژگی‌ های بازار ارزهای دیجیتال و مدل‌ های پیش‌ بینی مورد استفاده را می آموزید.
• می آموزید که چگونه با استفاده از Prophet مدل پیش بینی را بسازید.
• می آموزید که چگونه با استفاده از تجزیه سری های زمانی، مدل پیش بینی را بسازید.
• می آموزید که چگونه با استفاده از یادگیری ماشین، به‌ ویژه الگوریتم جنگل تصادفی و XGBoost، مدل پیش‌ بینی را بسازید.
• می آموزید که چگونه دقت و کیفیت مدل های پیش بینی را با استفاده از پوشش فاصله پیش بینی، تحلیل کامپونننت و تحلیل اهمیت ویژگی ارزیابی کنید.
• ریاضیات و منطق های پشت مدل پیش بینی Prophet، مانند آشنایی با فاکتور روند، کامپوننت فصلی و کامپوننت تعطیلات را می آموزید.
• ریاضیات و منطق پشت مدل تجزیه سری های زمانی، مانند شناخت کامپوننت روند، کامپوننت فصلی و کامپوننت باقیمانده را می آموزید.
• می آموزید که چگونه مجموعه داده را با استفاده از الگوریتم جنگل تصادفی تقسیم کرده و چگونه ناخالصی جینی را محاسبه کنید.
• یادگیری فاکتورهای متعدد مانند عرضه در گردش، حجم تراکنش ها، نقدینگی، ارزش بازار و امنیت، به طور بالقوه می توانند بر بازار ارزهای دیجیتال تأثیر بگذارند.
• می آموزید که چگونه مجموعه داده ها را از مقادیر گمشده و مقادیر داپلیکیت پاک کنید.
• می آموزید که چگونه داده پرت را در مجموعه داده تشخیص دهید.
• می آموزید که چگونه نوسانات روزانه و سالانه قیمت را تحلیل و مصورسازی کنید.
• می آموزید که چگونه روند بازار را تشخیص داده و میانگین متحرک را محاسبه کنید.
• می آموزید که چگونه با استفاده از تنسورفلو، ارتباط بین قیمت و حجم را پیدا کنید.

توضیحات دوره

این دوره عمدتا بر پیش‌ بینی قیمت ارزهای دیجیتال با استفاده از سه مدل پیش‌ بینی مختلف متمرکز خواهد بود، این مدل‌ ها عبارتند از Prophet، تجزیه سری‌ های زمانی و یادگیری ماشین، به ویژه که ما از جنگل تصادفی و XGBoost استفاده می‌ کنیم. با توجه به زبان برنامه نویسی، قصد داریم از پایتون در کنار چندین کتابخانه مانند Pandas برای انجام مدل‌ سازی داده، Numpy برای انجام محاسبات پیچیده، Matplotlib برای مصورسازی داده‌ و تنسورفلو که کتابخانه متن باز یادگیری ماشین و برای ساخت و آموزش مدل‌ های مختلف یادگیری عمیق کاربرد دارد، استفاده کنیم.

در همین حال، برای منبع داده، قصد داریم مجموعه داده بازار ارزهای دیجیتال را از Kaggle دانلود کنیم. در جلسه مقدمه، با اصول اولیه پیش‌ بینی بازار ارزهای دیجیتال، مانند آشنایی با ویژگی‌ های بازار ارزهای دیجیتال و مدل‌ های پیش‌ بینی که مورد استفاده قرار می‌ گیرد، آشنا می‌ شوید. سپس با یادگیری ریاضیات پایه مدل Prophet و تجزیه سری های زمانی ادامه می دهید که در آن گام به گام در مورد نحوه تحلیل مطالعه موردی و انجام محاسبات پایه راهنمایی خواهید شد. این جلسه به منظور آماده سازی دانش و درک شما قبل از پیاده سازی این مدل ها در پروژه پیش بینی است. پس از آن، شما همچنین چندین فاکتور مانند نقدینگی، ارزش بازار، حجم تراکنش ها و عرضه در گردش را یاد خواهید گرفت که به طور بالقوه می توانند بر بازار ارزهای دیجیتال تأثیر بگذارند. هنگامی که تمام دانش لازم در مورد پیش بینی بازار ارزهای دیجیتال را یاد گرفتید، پروژه را شروع می کنیم، ابتدا گام به گام در مورد نحوه راه اندازی Google Colab راهنمایی می شوید زیرا ما از آن به عنوان IDE در این پروژه استفاده می کنیم، سپس نحوه یافتن و دانلود مجموعه داده ها از Kaggle را نیز یاد خواهید گرفت.

پس از آماده سازی IDE و مجموعه داده ها، وارد بخش اصلی دوره می شوید که بخش پروژه است. این پروژه از سه بخش تشکیل خواهد شد، بخش اول پیش‌ بینی بازار ارزهای دیجیتال با استفاده از مدل Prophet، بخش دوم پیش‌ بینی بازار ارزهای دیجیتال با استفاده از مدل تجزیه سری‌ های زمانی، در همین حال، بخش سوم پیش‌ بینی بازار ارزهای دیجیتال با استفاده از مدل‌ های یادگیری ماشین به‌ ویژه جنگل تصادفی و XGBoost است. در پایان دوره، نحوه ارزیابی مدل برای ارزیابی دقت و کیفیت مدل پیش بینی خود را نیز یاد خواهید گرفت.

این دوره برای چه کسانی مناسب است؟

• افرادی که علاقه مند به پیش بینی بازار ارزهای دیجیتال با استفاده از سری های زمانی و یادگیری ماشین هستند.
• افرادی که علاقه مند به حوزه فناوری مالی، به ویژه یکپارچه سازی کلان داده با بازار مالی هستند.
• افرادی که علاقه مند به تحلیل و مصورسازی مجموعه داده های پیچیده با استفاده از Pandas ،Matplotlib و Numpy هستند.