تحلیل و پیش بینی سری زمانی با دیپ لرنینگ

اطلاعات دوره


مدت زمان
05:05:38
تعداد ویدیو
31
تعداد نظرات
14


مبلغ دوره :

180,000 تومان
علی استادی

علی استادی


مشاهده رزومه

سطح دوره: پیشرفته
مبلغ دوره: 180,000 تومان
تاریخ درج: 1400/04/14
آخرین به روزرسانی: 1401/06/08
دسته بندی : هوش مصنوعی و دیتا ساینتس
نوع آموزش : دانشگاهی نرم افزاری پروژه محور

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

    Introduction
    00:05:11 ورود
  • 2

    نقشه ی راه دوره

    about this Course
    00:03:34 ورود
  • 3

    بررسی چند پرسش در مورد مسئله مون که مسیر حل رو به ما نشون میده

    Some Question about the Problem
    00:05:40 ورود
  • 4

    وارد کردن و بررسی دیتا ست سری زمانی

    Import Dataset
    00:07:11 ورود
  • 5

    تبدیل کردن سری زمانی به یک مسئله ی نظارت شده (Supervised)

    Transform Univariate Timeseries to Supervised
    00:05:24 ورود
  • 6

    مشخص کردن لگ بهینه

    Choose the Optimal Lag Observation
    00:11:38 ورود
  • 7

    تقسیم کردن دیتاست سری زمانی به ترین و تست و نرمال سازی آن

    Split and Normalize the Data
    00:09:50 ورود
  • 8

    پیش بینی یک گام بعدی سری زمانی تک مغیره با مدل MLP

    Univariate Single Step Timeseries Forecasting using MLP Model
    00:15:14 ورود
  • 9

    پیش بینی چند گام آینده ی سری زمانی تک متغیره با مدل MLP

    Univariate Multi Step Timeseries Forecasting using MLP Model
    00:06:58 ورود
  • 10

    پیش بینی یک گام آینده ی سری زمانی تک متغیره با مدل Simple RNN

    Univariate Single Step Timeseries Forecasting using Simple RNNModel
    00:09:18 ورود
  • 11

    پیش بینی یک گام آینده ی سری زمانی تک متغیره با مدل LSTM

    Univariate Single Step Timeseries Forecasting using LSTM Model
    00:04:41 ورود
  • 12

    پیش بینی یک گام آینده ی سری زمانی تک متغیره با مدل CNN

    Univariate Single Step Timeseries Forecasting using CNNModel
    00:15:42 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 Models
    00:03:42 ورود
  • 14

    سری های زمانی چند متغیره

    Multivariate Timeseries
    00:05:07 ورود
  • 15

    وارد کردن دیتاست سری زمانی چند متغیر _ فراخوانی دیتا از گوگل درایو

    Import Multivariate Timeseries Dataset
    00:17:26 ورود
  • 16

    رسم کردن نمودار و باز نمونه گیری (Resampling) دیتاست

    Plot and Resample the Data
    00:09:26 ورود
  • 17

    تبدیل کردن سری زمانی چند متغیره به مسئله ی نظارت شده(Supervised)

    Transform Multivariate Timeseries to Supervised
    00:15:03 ورود
  • 18

    نرمال کردن آرایه های سه بعدی

    Scale(Normalize) 3D Array
    00:07:49 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 Model
    00:13:08 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 Models
    00:12:45 ورود
  • 21

    عادی سازی دسته ای

    Batch Normalization
    00:07:14 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 Model
    00:04:10 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 Model
    00:08:57 ورود
  • 24

    پیش پردازش دیتا برای پیش بینی چند گام سری زمانی چند متغیره ی یک تارگته

    Multivariate Single Target Multi Step Timeseries Data Preprocessing
    00:08:41 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 Models
    00:09:44 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 Preprocessing
    00:10:59 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 Models
    00:14:27 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 Models
    00:05:32 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 Model
    00:12:07 ورود
  • 30

    پروژه ی پیش بینی قیمت بیتکوین با استفاده از مدل های دیپ لرنینگ

    Bitcoin Price Forecasting using Deep Learning Models
    00:39:00 ورود
  • 31

    فایل های ضمیمه

    فایل های ضمیمه
    00:00:00 ورود

نظرات

جهت درج نظر شما باید وارد حساب کاربری خود شوید.

دوره های مرتبط