- 4.3/5.0
- (4 نظرات)
- تعداد قسمت 30
- مدت زمان 05:05:50
- انتشار 1402/10/07
- آخرین ویرایش 1402/10/07
علی استادی
مدرس دانشسرا
برچسب های محبوب
تحلیل و پیش بینی سری زمانی با دیپ لرنینگ
- 4.3/5.0
- تعداد مهارتجو 201
- آخرین ویرایش 1402/10/07
- انتشار 1403/02/21
توضیحات 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 تحلیل و پیش بینی سری زمانی با دیپ لرنینگ
1 - پیش نیاز های دوره
00:05:11
2 - نقشه ی راه دوره
00:03:35
3 - بررسی چند پرسش در مورد مسئله مون که مسیر حل رو به ما نشون میده
00:05:40
4 - وارد کردن و بررسی دیتا ست سری زمانی
00:07:11
5 - تبدیل کردن سری زمانی به یک مسئله ی نظارت شده (Supervised)
00:05:24
6 - مشخص کردن لگ بهینه
00:11:38
7 - تقسیم کردن دیتاست سری زمانی به ترین و تست و نرمال سازی آن
00:09:52
8 - پیش بینی یک گام بعدی سری زمانی تک مغیره با مدل MLP
00:15:14
9 - پیش بینی چند گام آینده ی سری زمانی تک متغیره با مدل MLP
00:06:58
10 - پیش بینی یک گام آینده ی سری زمانی تک متغیره با مدل Simple RNN
00:09:19
11 - پیش بینی یک گام آینده ی سری زمانی تک متغیره با مدل LSTM
00:04:41
12 - پیش بینی یک گام آینده ی سری زمانی تک متغیره با مدل CNN
00:15:43
13 - پیش بینی چند گام آینده ی سری زمانی تک متغیره با مدل Simple RNN و GRU و LSTM و CNN
00:03:42
14 - سری های زمانی چند متغیره
00:05:07
15 - وارد کردن دیتاست سری زمانی چند متغیر _ فراخوانی دیتا از گوگل درایو
00:17:26
16 - رسم کردن نمودار و باز نمونه گیری (Resampling) دیتاست
00:09:26
17 - تبدیل کردن سری زمانی چند متغیره به مسئله ی نظارت شده(Supervised)
00:15:03
18 - نرمال کردن آرایه های سه بعدی
00:07:50
19 - پیش بینی یک گام آینده ی یکی از ستون های سری زمانی چند متغیره با استفاده از مدل Simple RNN
00:13:09
20 - پیش بینی یک گام آینده ی یکی از ستون های سری زمانی چند متغیره با استفاده از مدل های GRU و LSTM
00:12:46
21 - عادی سازی دسته ای
00:07:14
22 - پیش بینی یک گام آینده ی یکی از ستون های سری زمانی چند متغیره با استفاده از مدل CNN
00:04:10
23 - پیش بینی یک گام آینده ی یکی از ستون های سری زمانی چند متغیره با استفاده از مدل MLP
00:08:57
24 - پیش پردازش دیتا برای پیش بینی چند گام سری زمانی چند متغیره ی یک تارگته
00:08:42
25 - پیش بینی چند گام آینده ی یکی از ستون های سری زمانی چند متغیره با استفاده از مدل های دیپ لرنینگ
00:09:45
26 - پیش پردازش دیتا برای پیش بینی چند گام آینده ی سری زمانی چند متغیره ی چند تارگته
00:11:00
27 - پیش بینی چند گام آینده ی دوتا از ستون های سری زمانی چند متغیره با استفاده از مدل Simple RNN
00:14:27
28 - پیش بینی چند گام آینده ی دوتا از ستون های سری زمانی چند متغیره با استفاده از مدل های GRU و LSTM
00:05:32
29 - پیش بینی چند گام آینده ی دوتا از ستون های سری زمانی چند متغیره با استفاده از مدل CNN
00:12:07
30 - پروژه ی پیش بینی قیمت بیتکوین با استفاده از مدل های دیپ لرنینگ
00:39:01
فایل پیوست تحلیل و پیش بینی سری زمانی با دیپ لرنینگ
فایل های پیوست
---
سوالت را بپرس ...
-
1 سال قبلvahiiiiid
سوال دوم.. جناب استادی شما...برای پیش بینی تارگت جدید، از داده های ردیف اخر در مدل lstm استفاده میکردید که قبلا کار شکل دادن (shape) اون انجام شده بود xtrain , xtest با استفاده اژ ytrain , y test ... چون به دادهای متغیرو هم داده تارگت y دسترسی داشتید.... سوالم اینکه اگر ما داده های چند متغیره امروزمون برای پیش بینی داده فردا ..یک مدل lstm ساخته باشیم.... برای حالت وارد کردن داده جدید که بعنوان X ، دیگر داده تارگت (y) فردا را نداریم ..بتوانیم در شکل دادن (shape) ازش استفاده کنیم؟ چطوری باید X جدید را بدون y ، reshape کرد تا در پریدیکت مدل ازش استفاده کرد؟
-
1 سال قبل
vahiiiiid
یک سوال داشتم... در حالت چند متغیره اگر بخواهیم تارگت یک ستونباشد. جهت پیش بینی با lstm.بطوری که هدف رو برای روز بعد یا یک ردیف اینده ...باشه....ایا نیاز هست..ستون جدیدی از ستون تارگت رو بصورتی که یک ردیف shift شده باشه به عقب رو به داده هامون اضافه کنیم و تارگت تعریف کنیم ؟