توضیحات

آموزش مهندسی ویژگی برای پیش بینی سری های زمانی

نام دوره : Feature Engineering for Time Series Forecasting

پیش نیاز:

• نصب پایتون
• نصب نوت بوک Jupyter
• مهارت های کدنویسی پایتون
• مقداری تجربه با Numpy، Pandas و Matplotlib
• آشنایی با Scikit-Learn
• آشنایی با الگوریتم های یادگیری ماشینی

توضیحات:

به Feature Engineering for Time Series Forecasting، یک دوره جامع در زمینه مهندسی ویژگی برای پیش بینی خوش آمدید.

در این دوره آموزشی، نحوه ایجاد و استخراج ویژگی ها از داده های سری زمانی برای استفاده در پیش بینی را خواهید آموخت.

در این دوره، روش‌های مهندسی ویژگی‌های متعددی را برای استخراج و ایجاد ویژگی‌هایی از داده‌های سری زمانی یاد می‌گیرید که برای پیش‌بینی با مدل‌های رگرسیون خارج از قفسه مانند رگرسیون خطی، جنگل‌های تصادفی و ماشین‌های تقویت‌شده گرادیان مناسب هستند.

به طور خاص، شما در آموزش مهندسی ویژگی برای پیش بینی سری های زمانی یاد خواهید گرفت:

• نحوه ایجاد ویژگی های تاخیر؛
• نحوه ایجاد ویژگی های پنجره؛
• نحوه ایجاد ویژگی هایی که فصلی بودن و روندها را به تصویر می کشد.
• چگونه سری های زمانی را تجزیه کنیم.
• نحوه استخراج ویژگی ها از تاریخ و زمان؛
• نحوه جلوگیری از نشت داده ها و سوگیری آینده نگری در ایجاد ویژگی های پیش بینی.

پیش‌بینی فرآیند پیش‌بینی آینده بر اساس داده‌های گذشته است.

در سنتی ترین سناریو، ما یک سری زمانی داریم و می خواهیم مقادیر آینده آن را پیش بینی کنیم. در ایجاد ویژگی های پیش بینی چالش هایی وجود دارد:

ما باید داده‌های سری زمانی را با مجموعه‌ای از ویژگی‌ها و متغیر هدف به خوبی طراحی شده به داده‌های جدولی تبدیل کنیم.

هنگام ایجاد ویژگی‌های پیش‌بینی، باید مراقب باشیم تا از نشت داده‌ها از طریق سوگیری پیش‌بینی جلوگیری کنیم.

داده های سری زمانی، همانطور که انتظار می رود، در طول زمان تغییر می کند. ما باید این را در هنگام ساخت ویژگی های پیش بینی در نظر بگیریم.

پیش‌بینی مقدار هدف در چند مرحله در آینده مستلزم این است که به دقت در مورد چگونگی تعمیم ویژگی‌های خود از گذشته به آینده فکر کنیم.

در این دوره آموزشی، نحوه ایجاد ویژگی هایی از سری های زمانی را خواهید آموخت که به شما امکان می دهد مدل های یادگیری ماشینی را برای پیش بینی مقادیر آینده سری های زمانی آموزش دهید.

ابتدا یاد خواهید گرفت که سری های زمانی را تجزیه و تحلیل کنید و ویژگی هایی را که می توانید برای ایجاد ویژگی های پیش بینی استفاده کنید، شناسایی کنید.

به عنوان مثال، شما یاد خواهید گرفت که چگونه به طور خودکار روند و فصلی بودن را با استفاده از الگوریتم های مختلف شناسایی و استخراج کنید، همچنین چگونه سری های زمانی خود را تغییر دهید تا تجزیه و پیش بینی آن آسان تر شود.

ما نشان می دهیم که چگونه می توانید از ابزارهایی مانند همبستگی متقابل، همبستگی خودکار و نمودارهای همبستگی جزئی برای ایجاد ویژگی های تاخیر مناسب استفاده کنید. نکات، ترفندها و هک هایی را برای ایجاد ویژگی هایی کشف خواهید کرد که روندها، نقاط تغییر، فصلی بودن و موارد دیگر را مدل می کنند!

ما شما را گام به گام از طریق آموزش های ویدیویی جذاب راهنمایی می کنیم و هر آنچه را که برای ایجاد ویژگی های معنی دار برای پیش بینی سری های زمانی نیاز دارید به شما آموزش می دهیم.

در طول این دوره جامع، ما متداول ترین روش شناسی ویژگی های مهندسی برای پیش بینی سری های زمانی را مرور خواهیم کرد. ما در مورد منطق آنها، پیاده سازی پایتون، مزایا و معایب، و مواردی که باید در هنگام استفاده از این روش ها در نظر داشته باشید صحبت می کنیم.

در پایان دوره، می‌توانید تصمیم بگیرید که کدام تکنیک برای چالش داده‌ها و پیش‌بینی شما مناسب‌تر است. شما می توانید تمام تکنیک ها را در پایتون اعمال کنید و نحوه بهبود پیش بینی های خود را کشف کنید.

دوره آموزش مهندسی ویژگی برای پیش بینی سری های زمانی  برای چه کسانی است:

• دانش آموزانی که می خواهند در پیش پردازش مجموعه داده ها برای پیش بینی سری های زمانی شروع کنند
• دانشمندان داده که می خواهند تکنیک های مهندسی ویژگی را برای پیش بینی سری های زمانی بیاموزند
• دانشمند داده که می خواهد مهارت های کدنویسی و شیوه های برنامه نویسی خود را برای مهندسی ویژگی بهبود بخشد
• دانشمندان داده که می خواهند تکنیک های مهندسی ویژگی های اضافی را برای سری های زمانی بیاموزند