دسته بندی

در حال حاضر محصولی در سبد خرید شما وجود ندارد.

پنل کاربری

رمز خود را فراموش کرده اید؟ اگر اولین بار است از سایت جدید استفاده میکنید باید پسورد خود را ریست نمایید.

آموزش پیش بینی با سریهای زمانی در زبان Python 2021

دانلود Udemy Mastering Time Series Forecasting in Python 2021

10,900 تومان
بیش از یک محصول به صورت دانلودی میخواهید؟ محصول را به سبد خرید اضافه کنید.
افزودن به سبد خرید
خرید دانلودی فوری

در این روش نیاز به افزودن محصول به سبد خرید و تکمیل اطلاعات نیست و شما پس از وارد کردن ایمیل خود و طی کردن مراحل پرداخت لینک های دریافت محصولات را در ایمیل خود دریافت خواهید کرد.

ویدئو معرفی این محصول

با مشاهده این کورس آموزشی از طریق انجام پروژه های واقعی و به زبانی بسیار ساده مطالب فراوانی را در رابطه با پایتون یاد می گیرید.

عنوان اصلی : Mastering Time Series Forecasting in Python 2021

این مجموعه آموزش ویدیویی محصول موسسه آموزشی Udemy است که بر روی 1 حلقه دیسک به همراه فایلهای تمرینی ارائه شده و به مدت زمان 11 ساعت و 16 دقیقه در اختیار علاقه مندان قرار می گیرد.

در ادامه با برخی از سرفصل های درسی این مجموعه آموزش آشنا می شویم :


مقدمه:
اطلاعات سری زمانی چیست؟
قطعات سری زمانی
دانلود منابع
Python Essentials:
دانلود منابع
نصب Anaconda Python
باز کردن نوت بوک باز Jupyter
Markdown
اظهارات چاپ
Escape و Insert Keys
متغیرها و تکالیف
انواع داده ها
نوع داده ریخته گری
لیست
لیست روش ها
tuple
مجموعه ها
واژهنامهها
در اپراتور
اپراتور و تکرار اپراتور
توابع تعریف شده توسط کاربر
اظهارات کنترل (اگر دیگر)
محدوده و زیپ
برای حلقه
numpy:
آرایه ها
شکل، اندازه، NDIM
Array Creation - Arange
LINSPACE
Zeros & Zeros_like
>>>>>>
تصادفی (توزیع یکنواخت و گاوسی)
توزیع تصادفی پواسون
توزیع تصادفی گاما
توزیع تصادفی بتا
تولید آرایه سفارشی
ذخیره آرایه ها در NPY، NPZ و TXT
عملیات ریاضی
عملیات محاسباتی - PART2
عملیات ریاضی - PART3
تنظیم Google Colab:
نصب Google Colab به شناسه ایمیل شما
ادغام Google Drive را به Colab برای بارگذاری داده ها



دانلود منابع
انواع نمودار برای سری زمانی
تنظیم Google Colab
اطلاعات را بارگیری کنید
نمودار خط
رنگ خط خط
نمودار منطقه
طرح نوار
پیشنهاد و نوار انباشته، نمودار منطقه
HeatMaps
رگرسیون خطی:
دانلود منابع
شهود رگرسیون خطی
تجزیه و تحلیل داده های اکتشافی
EDA - تکنیک کمی
EDA - تکنیک گرافیکی
رگرسیون خطی ساده - پایتون
رگرسیون خطی ساده - Sklearn (پایتون)
رگرسیون خطی ساده - StatsModels (پایتون)
ارزیابی مدل - R ^ 2، آنالیز
ارزیابی مدل - پایتون

رگرسیون برای پیش بینی سری زمانی:
رگرسیون با زمان
دانلود منابع
پیش پردازش داده ها در پایتون
تقسیم داده ها به مجموعه های آموزشی و تست در پایتون
مدل رگرسیون قطار با زمان در پایتون
پیش بینی با فاصله اطمینان و تجسم در پایتون
مدل سری زمانی افزودنی با StatsModels:
مدل افزودنی
دانلود منابع
تجزیه و تحلیل داده ها در پایتون
ایجاد ویژگی های فصلی
تقسیم داده ها به مجموعه های آموزشی و تست
مدل افزودنی آموزش در StatsModels
پیش بینی و تجسم مدل افزودنی
مدل سری چندگانه چندگانه:
مدل multiplicative
دانلود منابع
مرحله 1: مدل Trend
مرحله 2: محاسبه انحراف فصلی
مرحله 3: فاکتور اصلاح فصلی
مقادیر و پیش بینی با مدل multiplicative
حاشیه خطا و فاصله اطمینان
تجسم داده های پیش بینی شده
روش های رگرسیون خودکار:
روش های رگرسیون خودکار
دانلود منابع
تنظیم برای ساخت مدل
پیش پردازش داده ها
ACF و PACF
ساخت داده های ثابت
آموزش مدل AR
مقادیر نصب شده و پیش بینی با مدل AR
ارزیابی مدل AR
روش های صاف کردن (میانگین متحرک):
تکنیک های صاف
دانلود منابع
مدل پیش بینی ساده
مدل پیش بینی ساده لوح در پایتون - قسمت 1
مدل پیش بینی ساده لوح در پایتون - قسمت 2
میانگین متحرک ساده
میانگین متحرک ساده در پایتون
میانگین حرکت متوسط ​​(Q) در پایتون
میانگین متحرک متحرک
میانگین متحرک در پایتون
میانگین حرکت نمایشی
میانگین حرکت نمایشی در پایتون
مدل های ARIMA غیر فصلی:
ARMA
ARIMA غیر فصلی
دریافت اطلاعات
ARMA - داده های بارگیری
ARMA - داده ها را به مجموعه های قطار و تست تقسیم کنید
ARMA - مراحل ساخت مدل ها
ARMA - تست Dickey Fuller برای ثابت
ARMA - تبدیل داده ها به ثابت
ARMA - ACF و PACF، قطار ARMA (P، Q)
ARMA - ارزیابی
ARMA - تجسم نتایج پیش بینی
ARMA - تبدیل ثابت به داده های غیر ثابت
ARIMA
ARIMA: خروجی را تجسم کنید
Auto Arima:
Auto Arima Part-1
Sarima، Sarimax:
Sarima، Sarimax
سخنرانی پاداش
سخنرانی پاداش: مراحل بعدی


Introduction :
What is Time Series Data
Time Series Components
Download the Resources

Python Essentials :
Download the Resources
Install Anaconda Python
Open Jupyter Notebook
Markdown
Print Statements
Escape and Insert keys
Variables & Assignments
Data Types
Data Type Casting
List
List Methods
Tuple
Sets
Dictionaries
in operator
concatenate & repeat operator
User Defined Functions
Control Statements (if else)
Range & Zip
For Loop

Numpy :
Arrays
Shape, size, ndim
Array Creation - arange
linspace
zeros & zeros_like
ones & ones_like
Random (Uniform & Gaussian Distribution)
Poisson Random Distribution
Gamma Random Distribution
Beta Random Distribution
Generate custom array
Save Arrays in npy, npz and txt
Arithmetic Operations
Arithmetic Operations - part2
Arithmetic Operations - part3

Setting Google Colab :
Install Google Colab to your mail id
Integrate Google Drive to Colab to Load Data

Time Series Visualizations :
Download the Resources
Types of Charts for Time Series
Setting up Google Colab
Load the Data
Line Chart
Hue the Line Chart
Area Chart
Bar Plot
Proposition and Stacked Bar, Area Chart
Heatmaps

Linear Regression :
Download the Resources
Intuition of Linear Regression
Exploratory Data Analysis
EDA - Quantitative Technique
EDA - Graphical Technique
Simple Linear Regression - Python
Simple Linear Regression - Sklearn (Python)
Simple Linear Regression - Statsmodels (Python)
Model Evaluation - R^2, ANOVA
Model Evaluation - Python

Regression for Time Series Forecasting :
Regression with Time
Download the Resources
Data Preprocessing in Python
Splitting Data into Training and Testing Sets in Python
Train Regression Model with Time in Python
Forecasting with Confidence Interval and Visualizations in Python

Additive Time Series Model with Statsmodels :
Additive Model
Download the Resources
Data Analysis in Python
Creating Seasonal Features
Splitting Data into Training and Testing Sets
Training Additive Model in Statsmodels
Additive Model Forecasting and Visualizations

Multiplicative Time Series Model :
Multiplicative Model
Download the Resources
Step-1: Trend Model
Step-2: Calculate Seasonal Deviation
Step-3: Seasonal Corrector Factor
Fitted values and Forecasting with Multiplicative Model
Margin of Error and Confidence Interval
Visualizing Forecasted Data

Auto Regressive Methods :
Auto Regressive Methods
Download the Resources
Setting Up for Model Building
Data Preprocessing
ACF & PACF
Making Data Stationary
Training AR Model
Fitted and Forecasting values with AR Model
AR Model Evaluation

Smoothing Methods (Moving Average) :
Smoothing Techniques
Download the Resources
Naive Forecasting Model
Naive Forecasting Model in Python - part 1
Naive Forecasting Model in Python - part 2
Simple Moving Average
Simple Moving Average in Python
Simple Moving Average order (q) in Python
Weighted Moving Average
Weighted Moving Average in Python
Exponential Moving Average
Exponential Moving Average in Python

Non Seasonal ARIMA models :
ARMA
Non Seasonal ARIMA
Downloads Data
ARMA - Load Data
ARMA - Split the Data into train and test sets
ARMA - Steps to Build the Models
ARMA - Augmented Dickey Fuller test for stationary
ARMA - Converting Data into Stationary
ARMA - ACF & PACF , Train ARMA(p,q)
ARMA - Evaluation
ARMA - Visualizing Prediction Results
ARMA - Convert Stationary to Non - Stationary Data
ARIMA
ARIMA : Visualize the output

Auto ARIMA :
Auto ARIMA part-1

SARIMA, SARIMAX :
SARIMA, SARIMAX
Bonus Lecture
Bonus Lecture: Next Steps