مطالب پیشنهادی از سراسر وب

تحلیل سری های زمانی با پایتون نسخه 3.x

دسته بندی ها: آموزش پایتون (Python) ، آموزش یادگیری ماشینی (Machine Learning) ، آموزش های Packtpub ، آموزش هوش مصنوعی (AI)

تحلیل سری های زمانی شامل روش هایی برای بررسی داده های سری زمانی است که در دامنه وسیعی از حوزه ها یافت می شود. توانایی کار با داده های سری زمانی، مهارت مهمی برای دانشمندان داده است. در این دوره، شما یاد خواهید گرفت که آمارهایی معنی دار را از داده های سری زمانی استخراج و مصورسازی کنید. شما چندین متد تحلیل را برای پروژه خود اعمال خواهید کرد. در طول دوره، شما یاد خواهید گرفت که داده های سری زمانی را کاوش، تحلیل و پیش بینی کنید.
در ابتدا با کار با datetime پانداس و یافتن راه های مفید برای استخراج داده ها را شروع خواهید کرد. سپس با روابط سری زمانی همبستگی / همبستگی خودکار و تشخیص ناهنجاری ها آشنا خواهید شد. در مورد مدل های خودهمبسته (AR) و مدل های میانگین متحرک (MA) برای سری های زمانی می آموزید و ناهنجاری ها را با جزئیات بررسی خواهید کرد. شما همچنین خواهید آموخت که چگونه مدل های خودهمبسته و میانگین متحرک را برای ساخت یک مدل قوی خودهمبسته میانگین متحرک ترکیب کنید. همچنین نحوه ساخت مدل های پیش بینی سری زمانی با استفاده از ARIMA را درک خواهید کرد. در پایان، پروژه خود در زمینه تشخیص ناهنجاری سری زمانی را تکمیل خواهید کرد.
با پایان این آموزش عملی، مهارت هایی را که برای انجام تحلیل سری های زمانی با استفاده از پایتون نیاز دارید، کسب خواهید کرد.
لطفا توجه داشته باشید که این دوره دانش قبلی درباره برنامه نویسی پایتون، دانش کار پانداس و NumPy و برخی از تجربه های کار با داده ها را در نظر گرفته است.
بسته کد این دوره از اینجادر دسترس است.

راه اندازی و یادگیری روش های دریافت داده

فایل های تمرین exercise_files.zip
آیا این نوشته را دوست داشتید؟
Packt Time Series Analysis with Python 3.x Duration:3 hours 23 minutes

Time series analysis encompasses methods for examining time series data found in a wide variety of domains. Being equipped to work with time-series data is a crucial skill for data scientists. In this course, you'll learn to extract and visualize meaningful statistics from time series data. You'll apply several analysis methods to your project. Along the way, you'll learn to explore, analyze, and predict time series data.
You'll start by working with pandas' datetime and finding useful ways to extract data. Then you'll be introduced to correlation/autocorrelation time-series relationships and detecting anomalies. You'll learn about autoregressive (AR) models and Moving Average (MA) models for time series, and explore anomalies in detail. You'll also discover how to blend AR and MA models to build a robust ARMA model. You'll also grasp how to build time series forecasting models using ARIMA. Finally, you'll complete your own project on time series anomaly detection.
By the end of this practical tutorial, you'll have acquired the skills you need to perform time series analysis using Python.
Please note that this course assumes some prior knowledge of Python programming; a working knowledge of pandas and NumPy; and some experience working with data.
The code bundle for this course is available at https://github.com/PacktPublishing/Time-Series-Analysis-with-Python-3.x

پیشنهاد آموزش مرتبط در فرادرس