تحلیل و پیش بینی سری زمانی با دیپ لرنینگ
اطلاعات دوره
مبلغ دوره :
سطح دوره: | پیشرفته |
مبلغ دوره: | 180,000 تومان |
تاریخ درج: | 1400/04/14 |
---|---|
آخرین به روزرسانی: | 1400/09/13 |
تحلیل و پیش بینی سری زمانی با دیپ لرنینگ
بخش مهمی از داده های اطراف ما را ، داده های سری زمانی تشکیل می دهند . داده های سری زمانی داده هایی هستند که بر اساس زمان و در فواصل زمانی یکسان و به ترتیب زمان ضبط شده اند. از انواع داده های سری زمانی می توان به داده های مالی مثل بورس و بیتکوین و فارکس ، داده های هوا شناسی مانند میزان بارش یا دمای هوا،داده های انرژی مانند مصرف برق و .... نام برد .
پیش بینی سری زمانی
همواره تحلیل و پیش بینی داده های سری زمانی از چالش های پیش روی انسان برای برنامه ریزی و تصمیم گیری بهینه بوده است . سری زمانی را می توان با استفاده از مدل های کلاسیک و آماری سری زمانی مانند ARMIA و SARIMA تحلیل و پیش بینی کرد اما این مدل ها تنها قادرن روابط خطی داده ها را کشف کنند و همچنین در تحلیل سری های زمانی چند متغیره ضعیف هستند و کارایی شان کم می شود .
با پیشرفت هوش مصنوعی و الگوریتم های غیر خطی و همین گسترش کاربرد یادگیری ماشین و یادگیری عمیق در حوزه های مختلف در چند ساله ی اخیر ،دانشمندان پی بردند که این الگوریتم ها دقت خوبی در پیش بینی داده های سری زمانی دارند و می توانند از پس سری های زمانی چند متغیره به خوبی برآیند .
آموزش تحلیل سری زمانی با دیپ لرنینگ
در این دوره سری زمانی با استفاده از الگوریتم های یادگیری عمیق (Deep Learning) تحلیل و پیش بینی شده است . الگوریتم های استفاده شده در این دوره شامل CNN ،Simple RNN ،GRU ،LSTM و MLP می باشند .
همچنین در این دوره انواع مختلف مسائل پیش بینی برای سری های زمانی تک متغیره و چند متغیره بررسی شده است . روش ها و توابع استفاده شده از منابع معتبر اتخاذ شده و کاملا کاربردی می باشند .قابل ذکر است این دوره تنها دوره ی تحلیل سری زمانی با دیپ لرنینگ به زبان فارسی می باشد و همچنین طبق مطالعات و تحقیقات انجام شده ،مشابه مطالب و روش های گفته شده در دوره های انگلیسی زبان نیز موجود نیست.
این دوره مناسب چه کسانی است؟
لازم به ذکر است که سطح این دوره پیشرفته می باشد و مستلزم آن است که دانش پذیر گرامی با یک سری مباحث و سر فصل ها اَشنا باشد که به شرح زیر است:
- آشنایی مقدماتی با زبان برنامه نویسی پایتون که تمامی مباحث مورد نیاز در دوره ی پایتون مقدماتی برای هوش مصنوعی و دیتا ساینس سایت دانشسرا مورد بررسی قرار داده شده است
- آشنایی با مفاهیم و الگوریتم های دیپ لرنینگ و پیاده سازی آن ها که تمامی مباحث مورد نیاز در دوره ی دیپ لرنینگ سایت دانشسرا مورد بررسی قرار داده شده است
- آشنایی با مفاهیم و الگوریتم های کلاسیک سری زمانی که تمامی مباحث مورد نیاز در دوره ی تحلیل و پیش بینی سری زمانی در پایتون سایت دانشسرا مورد بررسی قرار داده شده است
این دروه مناسب دانشجویان رشته های علوم کامپیوتر و هوش مصنوعی ، مهندسی و مدیریت مالی ، دیتا ساینس ، حسابداری ، کشاورزی،برق و مخابرات،فیزیک و هر شخصی که با پیش بینی داده های سری زمانی سرکار دارد ، می باشد
قسمت های دوره
-
1
پیش نیاز های دوره
Introduction00:05:11 ورود -
2
نقشه ی راه دوره
about this Course00:03:34 ورود -
3
بررسی چند پرسش در مورد مسئله مون که مسیر حل رو به ما نشون میده
Some Question about the Problem00:05:40 ورود -
4
وارد کردن و بررسی دیتا ست سری زمانی
Import Dataset00:07:11 ورود -
5
تبدیل کردن سری زمانی به یک مسئله ی نظارت شده (Supervised)
Transform Univariate Timeseries to Supervised00:05:24 ورود -
6
مشخص کردن لگ بهینه
Choose the Optimal Lag Observation00:11:38 ورود -
7
تقسیم کردن دیتاست سری زمانی به ترین و تست و نرمال سازی آن
Split and Normalize the Data00:09:50 ورود -
8
پیش بینی یک گام بعدی سری زمانی تک مغیره با مدل MLP
Univariate Single Step Timeseries Forecasting using MLP Model00:15:14 ورود -
9
پیش بینی چند گام آینده ی سری زمانی تک متغیره با مدل MLP
Univariate Multi Step Timeseries Forecasting using MLP Model00:06:58 ورود -
10
پیش بینی یک گام آینده ی سری زمانی تک متغیره با مدل Simple RNN
Univariate Single Step Timeseries Forecasting using Simple RNNModel00:09:18 ورود -
11
پیش بینی یک گام آینده ی سری زمانی تک متغیره با مدل LSTM
Univariate Single Step Timeseries Forecasting using LSTM Model00:04:41 ورود -
12
پیش بینی یک گام آینده ی سری زمانی تک متغیره با مدل CNN
Univariate Single Step Timeseries Forecasting using CNNModel00:15:42 ورود -
13
پیش بینی چند گام آینده ی سری زمانی تک متغیره با مدل Simple RNN و GRU و LSTM و CNN
Univariate Multi Step Timeseries Forecasting using GRU ,LSTM ,Simple RNN , CNN Models00:03:42 ورود -
14
سری های زمانی چند متغیره
Multivariate Timeseries00:05:07 ورود -
15
وارد کردن دیتاست سری زمانی چند متغیر _ فراخوانی دیتا از گوگل درایو
Import Multivariate Timeseries Dataset00:17:26 ورود -
16
رسم کردن نمودار و باز نمونه گیری (Resampling) دیتاست
Plot and Resample the Data00:09:26 ورود -
17
تبدیل کردن سری زمانی چند متغیره به مسئله ی نظارت شده(Supervised)
Transform Multivariate Timeseries to Supervised00:15:03 ورود -
18
نرمال کردن آرایه های سه بعدی
Scale(Normalize) 3D Array00:07:49 ورود -
19
پیش بینی یک گام آینده ی یکی از ستون های سری زمانی چند متغیره با استفاده از مدل Simple RNN
Multivariate Single Target Single Step Timeseries Forecasting using Simple RNN Model00:13:08 ورود -
20
پیش بینی یک گام آینده ی یکی از ستون های سری زمانی چند متغیره با استفاده از مدل های GRU و LSTM
Multivariate Single Target Single Step Timeseries Forecasting using GRU and LSTM Models00:12:45 ورود -
21
عادی سازی دسته ای
Batch Normalization00:07:14 ورود -
22
پیش بینی یک گام آینده ی یکی از ستون های سری زمانی چند متغیره با استفاده از مدل CNN
Multivariate Single Target Single Step Timeseries Forecasting using CNN Model00:04:10 ورود -
23
پیش بینی یک گام آینده ی یکی از ستون های سری زمانی چند متغیره با استفاده از مدل MLP
Multivariate Single Target Single Step Timeseries Forecasting using Simple MLP Model00:08:57 ورود -
24
پیش پردازش دیتا برای پیش بینی چند گام سری زمانی چند متغیره ی یک تارگته
Multivariate Single Target Multi Step Timeseries Data Preprocessing00:08:41 ورود -
25
پیش بینی چند گام آینده ی یکی از ستون های سری زمانی چند متغیره با استفاده از مدل های دیپ لرنینگ
Multivariate Single Target Multi Step Timeseries Forecasting using Deep Learning Models00:09:44 ورود -
26
پیش پردازش دیتا برای پیش بینی چند گام آینده ی سری زمانی چند متغیره ی چند تارگته
Multivariate Multi Target Multi Step Timeseries Data Preprocessing00:10:59 ورود -
27
پیش بینی چند گام آینده ی دوتا از ستون های سری زمانی چند متغیره با استفاده از مدل Simple RNN
Multivariate Multi Target Multi Step Timeseries Forecasting using Simple RNN Models00:14:27 ورود -
28
پیش بینی چند گام آینده ی دوتا از ستون های سری زمانی چند متغیره با استفاده از مدل های GRU و LSTM
Multivariate Multi Target Multi Step Timeseries Forecasting using GRU and LSTM Models00:05:32 ورود -
29
پیش بینی چند گام آینده ی دوتا از ستون های سری زمانی چند متغیره با استفاده از مدل CNN
Multivariate Multi Target Multi Step Timeseries Forecasting using CNN Model00:12:07 ورود -
30
پروژه ی پیش بینی قیمت بیتکوین با استفاده از مدل های دیپ لرنینگ
Bitcoin Price Forecasting using Deep Learning Models00:39:00 ورود -
31
فایل های ضمیمه
فایل های ضمیمه00:00:00 ورود