Course catalog

Course duration

Course provider

Topic

Categories

Showing 1-5 of 5 items.

linkedin پایتون برای پیش بینی سریال های زمانی (Mitalearn-433684)

  • 4 hours 19 minutes
  • مناسب همه
  • Release date: 17 July 2025
  • Author: Jesus Lopez
درباره این دوره: 

 

پیش‌بینی عملی سری‌های زمانی را با Python با استفاده از مجموعه داده‌های دنیای واقعی از انرژی (EIA - اداره اطلاعات انرژی ایالات متحده) و اقتصاد (FRED - داده‌های اقتصادی فدرال رزرو) بیاموزید.

مهارت‌ها را گام به گام ایجاد کنید، از بارگیری و پیش پردازش داده‌های سری زمانی گرفته تا تجزیه روندها و فصلی، تجسم الگوها با Plotly، و استفاده از مدل‌های پیش‌بینی مانند ARIMA، SARIMA، هموارسازی نمایی، و پیامبر. ارزیابی عملکرد مدل را با استفاده از معیارهای خطا و تکنیک‌های اعتبارسنجی متقاطع مانند اعتبار سنجی قدم به جلو یاد بگیرید.

این دوره بر تمرین‌های عملی در محیط GitHub Codespace تأکید دارد، بنابراین می‌توانید فوراً آنچه را که یاد می‌گیرید در مجموعه داده‌های خود اعمال کنید. فرقی نمی‌کند با داده‌های فروش، انرژی یا مالی کار می‌کنید، مهارت‌هایی را برای ایجاد پیش‌بینی‌های دقیق و قابل تفسیر به دست خواهید آورد که تصمیم‌گیری در دنیای واقعی را هدایت می‌کند.


linkedin پیش بینی سری زمانی AI با پایتون (Mitalearn-410887)

  • 2 hours 11 minutes
  • مناسب همه
  • Release date: 16 August 2024
  • Author: Tobias Zwingmann
درباره این دوره: 

 

برای هر مشاغل ، به دست آوردن و درک بینش در مورد روندهای آینده ، خواسته های مشتری یا شرایط بازار عامل مهمی در موفقیت است. و با در دسترس بودن گسترده یادگیری ماشین و ابزارهای هوش مصنوعی ، هزاران مشاغل قادر به افزایش عملکرد خود از طریق پیش بینی سری زمانی هستند. در این دوره ، Tobias Zwingmann شما را با استفاده از Python و AI پیش بینی سری زمانی را معرفی می کند و نشان می دهد که چگونه می توانید آنها را در تجارت خود اعمال کنید. بیاموزید که چگونه می توانید گردش کار پیش بینی را از مشکلات استاتیک ، کلاس به موارد استفاده پویا و در زمان واقعی ترجمه کنید. به علاوه ، در مورد ابزارها و رویکردهایی که می توانید در سایر کارهای هوش مصنوعی و یادگیری ماشین استفاده کنید ، اطلاعات کسب کنید.

این دوره با CodeSpaces GitHub ، یک محیط توسعه دهنده ابر فوری که تمام عملکردهای IDE مورد علاقه شما را بدون نیاز به تنظیمات محلی محلی ارائه می دهد ، یکپارچه شده است. با استفاده از Codepaces GitHub ، می توانید از هر دستگاهی ، در هر زمان استفاده کنید-همه در حالی که از ابزاری استفاده می کنید که احتمالاً در محل کار با آن روبرو خواهید شد. برای یادگیری نحوه شروع کار ، فیلم "GitHub Codespaces" را بررسی کنید.


linkedin تجزیه و تحلیل سری زمانی و پیش بینی با GPT-4O (Mitalearn-437526)

  • 38 minutes
  • مناسب همه
  • Release date: 24 July 2024
  • Author: Alina Zhang
درباره این دوره: 

 

یکی از نکات برجسته این دوره این است که هیچ برنامه نویسی لازم نیست. اکنون می توانید با استفاده از زبان انسانی با استفاده از زبان انسانی برای تجزیه و تحلیل ، پیش بینی و تجسم داده های سری زمانی ارتباط برقرار کنید. با موارد ضروری آنچه را می توان پیش بینی کرد و در اعماق اجزای داده های سری زمانی مانند روندها ، فصلی بودن ، چرخه ها و سر و صدا شروع کنید ، شروع کنید. بیاموزید که داده ها را با استفاده از روشهای افزودنی ، ضرب و STL تجزیه کنید. پیشرفت به مدل سازی پیش بینی با ARIMA و مدل های هموار سازی نمایی ، تسلط بر تنظیم HyperParameter و انتخاب مدل. در پایان این دوره ، شما مجهز به پیش بینی فردا و آماده شدن برای آینده با اعتماد به نفس خواهید بود.


coursera تحلیل عملی سری زمانی (Mitalearn-330579)

  • 7 hours 54 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Tural Sadigov,William Thistleton
درباره این دوره:

به تحلیل سری زمانی عملی خوش آمدید! بسیاری از ما تحلیل گران داده «تصادفی» هستیم. ما در علوم، تجارت یا مهندسی آموزش دیدیم و سپس با داده هایی مواجه شدیم که هیچ آموزش تحلیلی رسمی برای آنها نداریم. این دوره برای افرادی با برخی شایستگی‌های فنی طراحی شده است که بیشتر از یک رویکرد «کتاب آشپزی» می‌خواهند، اما هنوز باید بر روی انواع ارائه و تحلیل معمول تمرکز کنند که درک موضوعات حرفه‌ای ما را عمیق‌تر می‌کند. در تجزیه و تحلیل سری زمانی عملی، ما به مجموعه داده هایی نگاه می کنیم که اطلاعات متوالی را نشان می دهند، مانند قیمت سهام، بارندگی سالانه، فعالیت لکه های خورشیدی، قیمت محصولات کشاورزی و غیره. ما به چندین مدل ریاضی نگاه می کنیم که ممکن است برای توصیف فرآیندهایی که این نوع داده ها را تولید می کنند استفاده شوند. ما همچنین به نمایش های گرافیکی نگاه می کنیم که بینش هایی را در مورد داده های ما ارائه می دهد. در نهایت، ما همچنین یاد می‌گیریم که چگونه پیش‌بینی‌هایی انجام دهیم که چیزهای هوشمندانه‌ای را در مورد انتظارات ما در آینده بیان کند. لطفا چند دقیقه وقت بگذارید و سایت دوره را بررسی کنید. شما سخنرانی های ویدیویی را با مطالب نوشته شده و همچنین آزمون هایی برای کمک به تأکید بر نکات مهم پیدا خواهید کرد. زبان دوره R است، یک پیاده سازی رایگان از زبان S. این یک محیط حرفه ای و نسبتا آسان برای یادگیری است. شما می توانید مطالب مربوط به دوره را با سایر فراگیران خود در میان بگذارید. لطفا کمی وقت بگذارید و خودتان را معرفی کنید! تجزیه و تحلیل سری های زمانی می تواند برای یادگیری تلاش کند - ما سعی کرده ایم ایده هایی را ارائه دهیم که "ماموریت حیاتی" هستند به گونه ای که شما به اندازه کافی از ریاضیات را درک کنید تا از آن راضی شوید و در عین حال فوراً سازنده باشید. امیدواریم از کلاس لذت ببرید!

coursera مقدمه ای بر مدل سازی پیش بینی کننده (Mitalearn-335577)

  • 6 hours 11 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: De Liu
درباره این دوره:

به مقدمه ای بر مدل سازی پیش بینی کننده، اولین دوره در تجزیه و تحلیل دانشگاه مینه سوتا برای تخصص تصمیم گیری خوش آمدید. این دوره مفاهیم، ​​فرآیندها و کاربردهای مدل سازی پیش بینی را با تمرکز بر مدل های پیش بینی رگرسیون خطی و سری های زمانی و استفاده عملی از آنها در مایکروسافت اکسل به شما معرفی می کند. در پایان دوره، شما قادر خواهید بود: - مفاهیم، ​​فرآیندها و کاربردهای مدل سازی پیش بینی را درک کنید. - ساختار و شهود پشت مدل های رگرسیون خطی را درک کنید. - قادر به برازش مدل های رگرسیون خطی ساده و چندگانه با داده ها، تفسیر نتایج، ارزیابی خوب بودن برازش و استفاده از مدل های برازش برای پیش بینی. - مشکل اضافه برازش و عدم تناسب را درک کرده و قادر به انتخاب مدل ساده باشد. - درک مفاهیم، ​​فرآیندها و کاربردهای پیش بینی سری های زمانی به عنوان یک نوع خاص از مدل سازی پیش بینی کننده. - بتوانید چندین مدل پیش‌بینی سری زمانی (به عنوان مثال، هموارسازی نمایی و روش Holt-Winter) را در اکسل جاسازی کنید، خوب بودن تناسب را ارزیابی کنید و از مدل‌های برازش برای پیش‌بینی استفاده کنید. - انواع مختلف داده ها و نحوه استفاده از آنها در مدل های پیش بینی را درک کنید. - از Excel برای آماده سازی داده ها برای مدل سازی پیش بینی، از جمله کاوش الگوهای داده، تبدیل داده ها و مقابله با مقادیر گمشده استفاده کنید. این یک دوره مقدماتی برای مدل سازی پیش بینی است. این دوره ترکیبی از یادگیری مفهومی و عملی را ارائه می دهد. در طول دوره، ما به شما فرصت هایی برای تمرین تکنیک های مدل سازی پیش بینی بر روی مجموعه داده های دنیای واقعی با استفاده از Excel ارائه می دهیم. برای موفقیت در این دوره باید ریاضی پایه (مفهوم توابع، متغیرها و نمادهای ریاضی پایه مانند جمع و شاخص ها) و آمار پایه (همبستگی، میانگین نمونه، انحراف معیار و واریانس) را بدانید. این دوره نیازی به پیشینه برنامه نویسی ندارد، اما شما باید با عملیات اصلی اکسل (به عنوان مثال، فرمول های اولیه و نمودار) آشنا باشید. برای بهترین تجربه، باید نسخه اخیر مایکروسافت اکسل را روی رایانه خود نصب کنید (به عنوان مثال، اکسل 2013، 2016، 2019، یا آفیس 365).

Suggestions