پیش بینی سری های زمانی مجهز به هوش مصنوعی با پایتون
✅ سرفصل و جزئیات آموزش
در این دوره، یاد بگیرید که چگونه از داده بلادرنگ برای انجام پیش بینی ها با استفاده از ابزارهایی مانند هوش مصنوعی و پایتون استفاده کنید.
برای هر کسب و کاری، دریافت و درک بینش در روندهای آینده، خواسته های مشتریان یا شرایط بازار، یک عامل مهم در موفقیت است. با دسترسی گسترده به ابزارهای یادگیری ماشین و هوش مصنوعی، هزاران کسب و کار می توانند عملیات خود را از طریق پیش بینی سری زمانی بهبود ببخشند.
در این دوره، Tobias Zwingmann شما را با سری های پیش بینی زمانی با استفاده از پایتون و هوش مصنوعی آشنا می کند و نشان می دهد که چگونه می توانید آنها را در کسب و کار خود اعمال کنید. بیاموزید که چگونه گردش کار پیش بینی را از مشکلات استاتیک و کلاس درس به موارد استفاده پویا و بلادرنگ ترجمه کنید.
علاوه بر این، ابزارها و رویکردهایی را بیاموزید که می توانید برای سایر تسک های هوش مصنوعی و یادگیری ماشین اعمال کنید.
این دوره با GitHub Codespaces ادغام شده است، یک محیط توسعه ابری آنی که تمام امکانات IDE مورد علاقه شما را بدون نیاز به هیچ گونه راه اندازی ماشین محلی ارائه می دهد. با GitHub Codespaces، می توانید از هر ماشینی، در هر زمان، به تمرین عملی بپردازید. در حالی که از ابزاری استفاده می کنید که احتمالاً در محل کار با آن مواجه خواهید شد. ویدئو "GitHub Codespaces" را ببینید تا یاد بگیرید چگونه شروع کنید.
پیش بینی سری های زمانی مجهز به هوش مصنوعی با پایتون
-
مقدمه 0:00:45
-
آنچه باید بدانید 0:01:52
-
GitHub Codespaces 0:02:48
-
بررسی مدل 0:04:52
-
ویژگی های دسته ای چیست؟ 0:03:04
-
شروع کار با ویژگی های دسته ای در Codespaces 0:12:12
-
ساخت یک فروشگاه برای ویژگی های دسته ای 0:08:02
-
آموزش مدل برای پیش بینی 0:11:30
-
انجام پیش بینی ها با مدل 0:04:26
-
مزایا و معایب پیش بینی دسته ای 0:04:53
-
چالش: ویژگی X 0:00:44
-
راه حل: ویژگی X 0:04:34
-
سیستم های متداول بلادرنگ چیست؟ 0:02:40
-
الزامات سیستم های پیش بینی نزدیک بلادرنگ 0:03:42
-
محاسبه ویژگی ها 0:04:41
-
ملاحظات فرکانس 0:02:26
-
پیش بینی آنلاین 0:01:58
-
مثال پایان به انتها 0:02:23
-
مزایا و معایب نزدیک بلادرنگ 0:03:01
-
چالش: ویژگی Y 0:01:26
-
راه حل: ویژگی Y 0:05:47
-
سیستم های پیش بینی بلادرنگ چیست؟ 0:04:14
-
الزامات سیستم های پیش بینی بلادرنگ 0:05:02
-
مجموعه داده جریانی 0:04:22
-
ویژگی های آنلاین 0:04:21
-
پیش بینی آنلاین 0:03:23
-
مثال End-to-end 0:02:30
-
پیش بینی بلادرنگ و ملاحظات تأخیر 0:01:26
-
مزایا و معایب پیش بینی بلادرنگ 0:04:44
-
چالش: ویژگی Z 0:01:34
-
راه حل: ویژگی Z 0:01:29
-
ارزیابی مدل های پیش بینی 0:04:28
-
بهترین روش ها برای آموزش مجدد مدل های سری زمانی 0:04:20
-
گام های بعدی برای پیش بینی با هوش مصنوعی 0:01:22
مشخصات آموزش
پیش بینی سری های زمانی مجهز به هوش مصنوعی با پایتون
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:متوسط
- تعداد درس:34
- مدت زمان :2:11:01
- حجم :328.0MB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy
آموزش های مرتبط
- زمان: 01:39:55
- تعداد درس: 6
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 04:47:39
- تعداد درس: 30
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 03:48:11
- تعداد درس: 47
-
سطح دوره:
-
زبان: دوبله فارسی
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 54:55
- تعداد درس: 18
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 04:33:59
- تعداد درس: 86
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 06:44:45
- تعداد درس: 35
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 18:29:24
- تعداد درس: 115
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 05:21:41
- تعداد درس: 51
-
سطح دوره:
-
زبان: دوبله فارسی