تحلیل و پیش بینی سری زمانی با دیپ لرنینگ

اطلاعات دوره

مدت زمان

05:05:38

تعداد ویدیو

تعداد نظرات

ثبت نام و دانلود

مبلغ دوره :

180,000 تومان

علی استادی

مشاهده رزومه

سطح دوره:	پیشرفته
مبلغ دوره:	180,000 تومان
تاریخ درج:	1400/04/14
آخرین به روزرسانی:	1400/09/13

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