تسلط بر پیشبینی سریهای زمانی با استفاده از پایتون: 2025
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- درک اصول سریهای زمانی – مفاهیمی کلیدی مانند روند، فصلی بودن، ایستایی و خودهمبستگی را تمرین کنید.
- بهکارگیری مدلهای پیشبینی کلاسیک – تسلط به ARIMA ،SARIMA و SARIMAX برای پیشبینیهای کوتاهمدت و بلندمدت
- پیشپردازش و تبدیل دادهها – مدیریت مقادیر گمشده، اعمال تفاوتگذاری، تبدیلهای Box-Cox و اطمینان از ایستایی
- ارزیابی و بهینهسازی مدلها – استفاده از AIC ،BIC ،RMSE و تشخیصهای باقیمانده برای بهبود دقت پیشبینیها در دنیای واقعی
پیش نیازهای دوره
- دانش پایه در برنامهنویسی پایتون
- آشنایی سطح مبتدی با کتابخانههای تحلیل داده مانند Pandas و NumPy
- نیاز نیست که تجربه قبلی در سریهای زمانی داشته باشید – همه چیز از پایه توضیح داده میشود!
توضیحات دوره
در این دوره جذاب و عملی، شما پیشبینی سریهای زمانی را با استفاده از پایتون یاد خواهید گرفت و بر کاربردهای دنیای واقعی تمرکز خواهید کرد. شما با درک مفاهیم اصلی دادههای سری زمانی، از جمله روند، فصلی بودن، نویز و ایستایی آغاز میکنید. خواهید آموخت که چرا ایستایی برای مدلسازی دقیق حیاتی است و چگونه دادههای غیر ایستا را با استفاده از تفاوتگذاری، تبدیلهای لگاریتمی و تنظیمات فصلی تغییر دهید.
این دوره به تکنیکهای پیشبینی ضروری مانند ARIMA ،SARIMA و SARIMAX میپردازد و درک ریاضیاتی از این مدلها را ارائه میدهد. شما درک عمیقی از خودهمبستگی، خودهمبستگی جزئی و چگونگی تفسیر پارامترهای مدل برای بهینهسازی دقت پیشبینی و قدرت پیشبینی کسب خواهید کرد.
از طریق تمرینهای عملی، شما یاد خواهید گرفت که چگونه دادههای سری زمانی را پیشپردازش و مصورسازی کنید، با مقادیر گمشده کنار بیایید و تبدیلها را اعمال کنید. همچنین تجربه عملی با انتخاب مدل، تشخیصها و معیارهای ارزیابی مانند MAE، RMSE و AIC خواهید یافت، که به شما کمک میکند نقاط قوت و محدودیتهای مدلهای مختلف را درک کنید.
این دوره به رویکرد پیشبینی ناوبری و بازگشتی میپردازد و شما را برای پیشبینی دادههای آینده ناشناخته بهطور مؤثر آماده میکند. اهمیت ارزیابی مدل در سراسر دوره مورد تأکید قرار خواهد گرفت و کمک میکند که مدلهای پیشبینی شما قابل اعتماد باشند. در پایان این دوره، شما قادر خواهید بود تا با چالشهای پیشبینی در دنیای واقعی، از پیشبینیهای فروش تا پیشبینیهای مالی مواجه شوید. با آموزشهای تعاملی، پروژههای گام به گام و مجموعههای دادههای واقعی، شما بهطور مطمئن مدلهای پیشبینی را در پایتون خواهید ساخت و ارزیابی خواهید کرد و در هر دو نظریه و عمل تحلیل سری زمانی بنیاد محکمی به دست خواهید آورد.
این دوره برای چه کسانی مناسب است؟
- این دوره برای علاقهمندان به داده، تحلیلگران و متخصصانی طراحی شده است که میخواهند بر پیشبینی سریهای زمانی با استفاده از پایتون تسلط پیدا کنند. چه شما یک مبتدی در تحلیل سریهای زمانی باشید یا یک کارشناس با تجربه که میخواهد درک خود را از ARIMA ،SARIMA و SARIMAX عمیقتر کند، این دوره شما را با مهارتهای لازم برای تحلیل، مدلسازی و پیشبینی دادههای واقعی بهطور مؤثر مجهز میکند.
- دانشجویان و محققان – تجربه عملی با مجموعههای داده واقعی و کاربردهای صنعتی کسب کنید.
- تحلیلگران و دانشمندان داده – مهارتهای پیشبینی خود را برای تجارت، مالی و عملیات بهبود دهید.
- متخصصان یادگیری ماشین و هوش مصنوعی – مدلهای زمانبندی کلاسیک را یاد بگیرید قبل از اینکه به رویکردهای یادگیری عمیق پرداخته شود.
- اقتصاددانان و تحلیلگران مالی – روندهای بازار، نرخهای تورم و عملکرد فروش را پیشبینی کنید.
- مدیران کسبوکار و محصول – با پیشبینی دقیق تقاضا، تصمیمات مبتنی بر داده بگیرید.
- اگر میخواهید دادههای خام سری زمانی را به بینشهای قدرتمند تجاری تبدیل کنید، این دوره برای شما است!
تسلط بر پیشبینی سریهای زمانی با استفاده از پایتون: 2025
-
معرفی به پیشبینی 04:03
-
پیشبینی سری زمانی چیست؟ 05:18
-
اولین ساختار دادههای سری زمانی خود را در پایتون ایجاد کنید 06:52
-
راهکار و بینشهای تکلیف: سری زمانی مصرف برق 11:42
-
سری زمانی خود را بشناسید: کامپوننت ها و تجزیه 09:04
-
مراحل پایه در پیشبینی سری زمانی 04:27
-
پیشبینی سری زمانی در مقابل تسک های رگرسیون 04:55
-
خواص آماری سریهای زمانی - 1 10:55
-
خودکواریانس و خودهمبستگی 17:50
-
نویز سفید 06:46
-
نمودار ACF و نمودار PACF 11:31
-
ایستایی 11:36
-
برخی مدلهای ساده سری زمانی - MA ،AR ،RW 09:01
-
توضیح فرآیند MA با مثالهایی از زندگی واقعی 07:02
-
ایستایی میانگین متحرک - MA (بخش 1) 05:51
-
فرآیند AR با مثال 05:35
-
ایستایی فرآیند AR AR (بخش 1) 09:30
-
راهپیمایی تصادفی، انحراف و خواص 11:57
-
تست ADF برای ایستایی - شهود و تفسیر 12:15
-
کشف ایستایی و ACF یک راهپیمایی تصادفی شبیهسازی شده 11:05
-
آیا قیمت سهام گوگل یک راهپیمایی تصادفی است؟ 00:50
-
پیشبینی یک راهپیمایی تصادفی 02:54
-
معرفی عملی متدهای پایه 05:41
-
روش میانگین - دادههای EPS سهماهه 04:22
-
معیارهای عملکرد پیشبینی 09:10
-
در نظر گرفتن روند - دادههای اخیر متوسط 06:54
-
روش پیشبینی ساده - استفاده از ارزش اخیر 04:55
-
معرفی مدلهای ARIMA 06:56
-
زلزله سالانه - مدلسازی AR (بخش1) 12:43
-
خلاصه مدل 05:37
-
نمودارهای تشخیصی مدل 07:10
-
پیشبینی دادههای آینده - یک قدم جلوتر در مقابل چند قدم جلوتر 08:23
-
تکلیف - تشخیص مدل دادههای فروش شامپو AR(5) 03:23
-
اعتبارسنجی پیشرو - مقدمه - گسترش و اسلاید کردن پنجره 11:28
-
اعتبارسنجی پیشرو با آزمون معکوس - پیشبینی چند مرحلهای 07:31
-
نرخ تورم آمریکا - مدل ARMA - بررسی تفاوتگذاری و تفاوتگذاری معکوس 13:49
-
EPS سهماهه - JJ: مدل ARIMA - بررسی Lazy با تفاوتگذاری 07:29
-
استفاده از Box Cox برای کاهش واریانس - مدل ARIMA EPS سهماهه 09:12
-
بهترین ترتیب انتخاب - معیار AIC 04:36
-
سری زمانی فصلی - تجزیه سری زمانی 08:52
-
در نظر گرفتن فصلی بودن - گسترش ARIMA به SARIMA 04:11
-
بیایید با هم مدلسازی ARIMA دادههای فروش تراکتور را انجام دهیم 16:01
-
ARIMA فصلی - مدلسازی SARIMA با auto arima 06:14
-
SARIMAX - پیشبینی تولید ناخالص داخلی با متغیرهای برونزا - پیشبینی بازگشتی 18:05
-
تکلیف - پیشبینی نسخه دارویی ضد دیابت 02:19
مشخصات آموزش
تسلط بر پیشبینی سریهای زمانی با استفاده از پایتون: 2025
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:همه سطوح
- تعداد درس:45
- مدت زمان :06:07:32
- حجم :2.42GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy