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.

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.

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.