تحلیل و پیش بینی سری زمانی با پایتون
اطلاعات دوره
مبلغ دوره :
سطح دوره: | مقدماتی |
مبلغ دوره: | 150,000 تومان |
تاریخ درج: | 1400/03/09 |
---|---|
آخرین به روزرسانی: | 1400/09/03 |
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.
قسمت های دوره
-
1
معرفی دوره _ بررسی سرفصل های گفته شده
about this Course00:04:49 ورود -
2
مقدمه ای بر سری زمانی
Introduction to Time Series00:08:37 ورود -
3
ورود اطلاعات
Import Data00:12:08 ورود -
4
ترسیم داده های سری زمانی
Plot the Time Series Data00:11:23 ورود -
5
شاخص گذاری سری های زمانی
Date Index in Time Series _ استفاده از تابع to_datetime برای شاخص گذاری سری های زمانی_ استفاده از شاخص تاریخ در سری های زمانی00:10:14 ورود -
6
روش های پر کردن miss value _ تنظیم کردن توالی سری زمانی بر اساس دیتا
Filling the Miss Value _ Setting the Frequency00:07:48 ورود -
7
تقسیم کردن سری زمانی به ترین و تست
Split Time Series in to Train and Test00:09:48 ورود -
8
توضیح مفاهیم گام تصادفی و نوفه سفید
White Noise and Random Walk00:10:35 ورود -
9
مفهوم ایستایی در سری های زمانی
Stationary _ augmented Dicky Fuller Test _ آزمون دیکی فولر تعمیم یافته برای آزمودن ایستایی سری زمانی00:08:24 ورود -
10
سری های زمانی فصلی
Seasonality Time Series _ Decomposition _ تشخیص فصلی بودن سری زمانی با استفاده از روش Decomposition00:08:56 ورود -
11
بررسی مفهوم خود همبستگی در سری های زمانی
بررسی مفهوم خود همبستگی در سری های زمانی _ بررسی نمودار خود همبستگی -ACF Plot00:07:06 ورود -
12
بررسی مفهوم خود همبستگی جزئی در سری زمانی
بررسی مفهوم خود همبستگی جزئی در سری زمانی _ بررسی نمودار خود همبستگی جزئی (PACF)00:04:23 ورود -
13
بررسی مدل خود همبسته (اتورگرسیو)
Autoregressive Model (AR) _ توضیح فرمول مدل خود همبسته00:05:50 ورود -
14
مشخص کردن مرتبه ی مدل اتورگرسیو با استفاده از نمودار PACF
مشخص کردن مرتبه ی مدل اتورگرسیو با استفاده از نمودار PACF _ مفهوم تفاضل گیری در سری زمانی _ ایجاد تابع تفاضل گیری برای ایستا کردن سری زمانی (AIC)AR Model Implementation _Akaike information criterion00:10:16 ورود -
15
پیاده سازی مدل اتورگرسیو در پایتون
پیاده سازی مدل اتورگرسیو در پایتون _ بررسی معیار اطلاعاتی آکایکه(AIC) _ بررسی معیار Log likelihood _ بررسی معنا دار بود ضرایب برآورد شده توسط مدل اتورگرسیو (AIC)AR Model Implementation _Akaike information criterion00:12:20 ورود -
16
بررسی نرمال بودن توزیع باقی مانده ها در سری زمانی
Check Normality of Residuals00:07:51 ورود -
17
بررسی فرمول مدل میانگین متحرک (MA)
بررسی فرمول مدل میانگین متحرک (MA)_ پیاده سازی مدل میانگین متحرک در پایتون_ انتخاب مرتبه ی مدل میانگین متحرم با کمک نمودار ACF00:06:53 ورود -
18
بررسی مدل میانگین متحرک با مرتبه های بالاتر _ بررسی نویز سفید بودن باقی مانده ها
MA Model with higher Order of q _ Check Residuals to be White Noise00:08:23 ورود -
19
بررسی فرمول و پیاده سازی مدل اتورگرسیو میانگین متحرک یا به اختصار (ARMA)
Autoregressive Moving Average Model (ARMA)00:11:38 ورود -
20
بررسی نرمال بودن و نوفه سفید بودن باقی مانده های مدل آرما(ARMA)
Check Residuals of ARMA Model to be Normal and White Noise00:04:33 ورود -
21
بررسی فرمول و پیاده سازی مدل میانگین متحرک خود همبسته ی یکپارچه (آریما)
Auto Regressive Integrated Moving Average Model(ARIMA)00:08:45 ورود -
22
بررسی مرتبه های بالاتر با توجه به نمودار ACF باقیمانده ها برای مدل ARIMA
ARIMA with higher Order of p and q00:07:42 ورود -
23
بررسی مکس مدل ها_ مفهوم متغیر خارجی (Exogenous Variables)
Max Models _Exogenous Variables00:06:18 ورود -
24
بررسی مدل های فصلی در سری های زمانی
بررسی مدل های فصلی در سری های زمانی _ بررسی فرمول و order های مدل های فصلی -Seasonal Models00:08:02 ورود -
25
تحلیل نوسانات در سری زمانی _معرفی مدل آرچ
تحلیل نوسانات در سری زمانی _معرفی مدل آرچ _ بررسی فرمول و تساوی های مدل آرچ _ بررسی تساوی واریانس شرطی در مدل آرچ00:07:17 ورود -
26
بررسی تساوی میانگی در مدلARCH
بررسی تساوی میانگی در مدلARCH _ بررسی انواع مختلف میانگین در مدل ARCH_ پیاده سازی مدل ARCH_ بررسی همگرایی در مدل (Model Converging)00:11:00 ورود -
27
بررسی مرتبه های بالاتر برای مدل ARCH
ARCH Model with higher order00:03:06 ورود -
28
بررسی فرمول مدل GARCH_ مقایسه ی مدل GARCH با مدل ARMA
Generalized Autoregressive Conditional Heteroscedasticity Model (GARCH)00:04:10 ورود -
29
پیاده سازی مدل GARCH در پایتون
Implementing GARCH Model00:03:03 ورود -
30
بررسی متد AutoARIMA
AutoARIMA00:03:39 ورود -
31
پیاده سازی مدل AutoARIMA در پایتون
Implementing AutoARIAM 100:09:13 ورود -
32
پیاده سازی مدل AutoARIMA
Implementing AutoARIAM 200:07:15 ورود -
33
فلسفه ی پیش بینی سری های زمانی
Time Series Forecasting00:04:40 ورود -
34
آماده سازی سری زمانی برای پیش بینی _پیش بینی تست ست با استفاده از مدل های مختلف سری زمانی _ استفاده از فانکشن predict در پایتون برای پیش بینی سری زمانی
Time Series Forecasting in Python00:15:46 ورود -
35
بررسی روش نمونه گیری بازگشتی در سری های زمانی در پایتون به منظور افزایش دقت پیش بینی در تست ست
Recursive Sampling00:09:10 ورود -
36
بررسی معیار های ارزیابی در سری زمانی _ R square _MSE_MAE_RMSE
Time Series Validation Metrics00:07:17 ورود -
37
بررسی Max model ها با استفاده از روش Recursive Sampling
Max Models using Recursive Sampling00:10:08 ورود -
38
پیش بینی سری زمانی با استفاده از مدل AutoARIMA
Time Series Forecasting using AutoARIMA00:10:05 ورود -
39
پیش بینی آینده با استفاده از مدل های سری زمانی
Future Forecasting00:08:59 ورود -
40
پیش بینی نواسانات با استفاده از مدل GARCH در سری زمانی
Volatility Forecasting00:10:50 ورود -
41
فایل های استفاده شده در طول دوره
فایل های استفاده شده در طول دوره00:00:00 ورود
نظرات
دوره های مرتبط

نمایش داده ها در پایتون (Data Visualization with Matplotlib and Seaborn)