تخفیف ویژه همین الان — دوره‌های تخفیف‌دار را ببینید.
روز
:
ساعت
:
دقیقه
:
ثانیه
تخفیف‌های ویژه
دوره آموزشی پیش‌بینی سری‌های زمانی با استفاده از هوش مصنوعی و پایتون

دوره آموزشی پیش‌بینی سری‌های زمانی با استفاده از هوش مصنوعی و پایتون

2 ساعت 11 دقیقهمتوسط2024-08-16

مدرسین

Tobias Zwingmann

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.

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

درباره ما

لینداکده یک بستر یادگیری پیشرو است که به افراد کمک می کند تا کسب و کار ، نرم افزار ، فناوری و مهارت‌های خلاقانه را برای دستیابی به اهداف شخصی و حرفه ای بیاموزد.

شماره تلفنکانال آپاراتپشتیبانی تلگرامکانال تلگرامپیج اینستاگرام

کلیه‌ی حقوق این سایت متعلق به لینداکده می باشد

قوانین و شرایط|حریم خصوصی

نماد الکترونیک enamad در صورت اتصال با آی‌پی داخل کشور، نمایش داده خواهد شد.
logo-samandehi - لوگو ساماندهی
zarinpal
zibal