دوره آموزشی پیشبینی سریهای زمانی با استفاده از هوش مصنوعی و پایتون
2 ساعت 11 دقیقهمتوسط2024-08-16
مدرسین

Tobias Zwingmann
جزئیات دوره
برای هر کسب و کاری، 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 ابزارهای یادگیری ماشینی و هوش مصنوعی، هزاران کسبوکار میتوانند عملیات خود را از طریق پیشبینی سریهای زمانی افزایش دهند. در این دوره، Tobias Zwingmann شما را با پیشبینی سریهای زمانی با استفاده از پایتون و هوش مصنوعی آشنا میکند و نشان میدهد که چگونه میتوانید آنها را در کسبوکار خود اعمال کنید. بیاموزید که چگونه گردشهای کاری پیشبینی را از مسائل ایستا و کلاس درس به موارد استفاده در زمان واقعی و پویا ترجمه کنید. بهعلاوه، ابزارها و رویکردهایی را که میتوانید برای سایر وظایف هوش مصنوعی و یادگیری ماشین اعمال کنید، بیاموزید.
اهداف آموزشی
تفاوتهای بین پیشبینی دستهای و آنلاین و اینکه هر کدام برای آن مناسبتر هستند را بیاموزید.
انواع مختلفی از ویژگیهایی را که در یک مدل بیدرنگ وارد میشوند - آنلاین، دستهای، مبتنی بر جلسه، و موارد دیگر - از جمله نحوه محاسبه و ذخیره هر یک از مثالهای ما را کشف کنید.
درباره پیشبینی زمان واقعی در مقابل پیشبینی زمان واقعی و تفاوتهای بین هر دو پارادایم و زمان استفاده از هر کدام بیاموزید.
اهمیت نظارت بر مدل و نحوه استفاده موثر از آن برای تازه نگه داشتن مدل ها را بیاموزید.
اهداف آموزشی
تفاوتهای بین پیشبینی دستهای و آنلاین و اینکه هر کدام برای آن مناسبتر هستند را بیاموزید.
انواع مختلفی از ویژگیهایی را که در یک مدل بیدرنگ وارد میشوند - آنلاین، دستهای، مبتنی بر جلسه، و موارد دیگر - از جمله نحوه محاسبه و ذخیره هر یک از مثالهای ما را کشف کنید.
درباره پیشبینی زمان واقعی در مقابل پیشبینی زمان واقعی و تفاوتهای بین هر دو پارادایم و زمان استفاده از هر کدام بیاموزید.
اهمیت نظارت بر مدل و نحوه استفاده موثر از آن برای تازه نگه داشتن مدل ها را بیاموزید.
مهارت ها
Artificial Intelligence FoundationsPythonArtificial Intelligence (AI)Programming LanguagesOpen SourceSoftware DevelopmentOne-Off
سرفصل ها
0. مقدمه
- 01 - مقدمه
- 02 - آنچه باید بدانید
- 03 - فضاهای کد GitHub
- 04 - بررسی مدل
1. سیستمهای دسته ای
- 05 - ویژگیهای دسته ای چیست
- 06 - شروع به کار با ویژگیهای دسته ای در Codespaces
- 07 - ساخت فروشگاه برای ویژگیهای دسته ای
- 08 - آموزش مدل خود برای پیش بینی
- 09 - پیشبینی با مدل ما
- 10 - مزایا و معایب پیشبینی دسته ای
- 11 - چالش - ویژگی X
- 12 - راه حل - ویژگی X
2. نزدیک به سیستمهای زمان واقعی
- 13 - سیستمهای نزدیک به زمان واقعی چیست
- 14 - الزامات سیستمهای پیشبینی نزدیک به زمان واقعی
- 15 - محاسبه مجدد ویژگی ها
- 16 - ملاحظات فرکانس
- 17 - پیشبینی آنلاین
- 18 - مثال انتها به انتها
- 19 - مزایا و معایب زمان نزدیک
- 20 - چالش - ویژگی Y
- 21 - راه حل - ویژگی Y
3. سیستمهای زمان واقعی
- 22 - سیستمهای پیشبینی بلادرنگ چیست؟
- 23 - الزامات سیستمهای پیشبینی بلادرنگ
- 24 - مجموعه دادههای جریانی
- 25 - ویژگیهای آنلاین
- 26 - پیشبینی آنلاین
- 27 - مثال انتها به انتها
- 28 - پیشبینی زمان واقعی و ملاحظات تاخیر
- 29 - مزایا و معایب پیشبینی بلادرنگ
- 30 - چالش - ویژگی Z
- 31 - راه حل - ویژگی Z
4. ارزیابی سیستمهای پیشبینی سریهای زمانی
- 32 - ارزیابی مدلهای پیش بینی
- 33 - بهترین شیوهها برای بازآموزی مدلهای سری زمانی
نتیجه گیری
- 34 - مراحل بعدی برای پیشبینی هوش مصنوعی
دوره های مرتبط
- دوره آموزشی یادگیری با چابکی در عصر هوش مصنوعی
- دوره آموزشی توسعه ذهنیت یادگیری در عصر هوش مصنوعی
- دوره آموزشی کلانداده در عصر هوش مصنوعی
- دوره آموزشی هوش مصنوعی و تحلیل در گوگل آنالیتیکس ۴
- دوره آموزشی ارزیابیهای هوش مصنوعی: مبانی و مثالهای عملی
- دوره آموزشی الگوهای طراحی هوش مصنوعی عاملمحور مبتنی بر فضای ابری
- دوره آموزشی داشبوردهای مجهز به هوش مصنوعی با Streamlit
- دوره آموزشی ساخت عوامل هوش مصنوعی با API پاسخهای OpenAI