تحلیل و پیش بینی سری زمانی با پایتون

تحلیل و پیش بینی سری زمانی از حوزه های Data Science است و کاربردهای بسیار متنوعی در صنایع موجود در جهان فعلی دارد. بسیاری از صنایع با این مهارت ها به دنبال Data Scientist هستند. این دوره شامل انواع تکنیک های مدل سازی برای پیش بینی و تجزیه و تحلیل است.

در این دوره به علاوه بر بررسی ساختاری و فرمولی مدل های سری زمانی با پایتون به پیاده سازی این مدل ها نیز می پردازیم . مطالب تئوری به صورت کاملا روان و مفهموی بیان شده اند و پیاده سازی ها در پایتون نیز به صورت کاملا دسته بندی شدی و مرتب می باشد .

ما با برنامه نویسی در پایتون شروع می کنیم که مهارت اساسی مورد نیاز است و سپس تئوری اساسی سری زمانی را بررسی خواهیم کرد تا به شما کمک کند مدلی را که بعد از آن می آید درک کنید.

تحلیل و پیش بینی سری زمانی

سری‌های زمانی یا Time Series به داده‌های وابسته به زمان مربوط می‌شود. تحلیل سری زمانی هم از روش‌های تحلیل چنین داده‌هایی است. برای مثال تشخیص روند تغییرات ارزش سهام با توجه به داده‌های جمع‌آوری شده در طول یک سال می‌تواند تحلیل پیش بینی سری زمانی نامیده شود.

معمولا در تحلیل سری زمانی، هدف ایجاد مدلی برای تشخیص رفتار داده‌های مرتبط با زمان است.با این کار می‌توان عمل پیش‌بینی را برای آینده صورت داد. به نظر می‌رسد تحلیل سری زمانی، کمک می‌کند که با مطالعه گذشته و درس گرفتن از آن، آینده را پیش‌بینی کرد و به بهتر شدن آن دست زد.

هداف سری زمانی

• توضیح و تفسیر پدیده ها
• پیش بینی پدیده ها

هر سری زمانی معمولا از چهار جزء زیر تشکیل شده است:

• روند  کلی
• نوسانات فصلی
• تغییرات دوره ای
• تغییرات تصادفی

روند (Trend):

اگر از نوسانات مقطعی سری زمانی صرفنظر کنیم، می توان در شناسایی روند آن به نمودار فروش دقت کرد .

نوسانات فصلی (Seasonality):

رشد یا افول سری زمانی در دوره‌های منظم را، نوسانات فصلی می‌گویند. مثلا فروش بلیط یک شهربازی، در پنجشنبه‌ها نسبت به سایر روزها بیشتر است.

این افزایش در فروش که هر پنجشنبه به صورت منظم رخ می‌دهد، یک تغییر فصلی می‌گویند. بنابراین با توجه به اینکه کوتاه‌ترین فاصله منظم تغییرات، یک هفته است، یک فصل سری زمانی برابر با یک هفته است.

تغییرات ادواری (long-run cycle):

به نوسانات تکرارشونده با دوره طولانی‌تر از یک فصل از سری زمانی، تغییر ادواری می‌گویند. مثلا رفتار سری بلیط فروشی یک شهربازی، در تابستان‌های هر سال مشابه هم است و نسبت به سایر ایام، بیشتر است.

تغییرات نامنظم (stochastic):

تغییراتی که قابل پیش‌بینی نیستند و نظم و الگوی خاصی ندارند. یک تحلیل‌گر پیش از هر چیز بایستی کلیه روند‌های کلی، فصلی و تغییرات ادواری را کشف کند. آنجه باقی می‌ماند، بایستی هیچ روندی نداشته باشد و نتوان هیچ دلیلی برای آن کشف کرد.

مفهوم تحلیل سری زمانی

تحلیل سری‌های زمانی در بسیاری از زمینه‌ها بخصوص صنعت کسب و کار و بنگاه‌های مالی گرفته تا علوم اجتماعی و اقتصاد کاربرد دارد. از آنجایی که رفتار داده‌ها در زمان یکسان نیست، الگو‌ها مختلفی برای پیش‌بینی سری‌های زمانی تعریف شده است.

از طرفی برای پیاده‌سازی محاسبات روی داده‌های سری زمانی از زبان برنامه‌نویسی و محاسباتی پایتون استفاده می شود و با استفاده از داده‌های جمع‌آوری شده درباره یک پدیده اجتماعی، مالی، صنعتی، گذشته می توانیم داده و رخداد ها را پیشبینی کنیم.

این دوره برای چه کسانی است:

• هر کسی که علاقه مند به تجزیه و تحلیل و پیش بینی سری زمانی است.
• می خواهید پیش بینی زمان واقعی پیشرفته را انجام دهید.