این دوره جامع و کاربردی، شما را با مفاهیم پایه‌ای و پیشرفته مهندسی ویژگی برای سری‌های زمانی آشنا می‌کند. در طول این دوره، شما یاد خواهید گرفت که:

• مفاهیم پایه سری‌های زمانی: درک عمیقی از مفاهیم اساسی سری‌های زمانی، از جمله روند (Trend)، فصلی‌بودن (Seasonality)، ناهمبستگی (Autocorrelation) و ایستایی (Stationarity) به دست خواهید آورد.
• استخراج ویژگی‌های مبتنی بر زمان: یاد می‌گیرید چگونه ویژگی‌های مرتبط با زمان مانند روز هفته، ماه سال، فصل و غیره را از داده‌های سری زمانی استخراج کنید و تاثیر آنها را بر پیش‌بینی بررسی کنید.
• ایجاد ویژگی‌های تأخیری (Lag Features): با استفاده از مقادیر گذشته سری زمانی، ویژگی‌های تأخیری ایجاد می‌کنید و از آنها برای بهبود دقت پیش‌بینی استفاده می‌کنید.
• محاسبه آمارهای پنجره‌ای (Rolling Statistics): با استفاده از میانگین متحرک، انحراف معیار متحرک و سایر آمارهای پنجره‌ای، ویژگی‌های جدیدی ایجاد می‌کنید که الگوهای پنهان در داده‌ها را آشکار می‌کنند.
• تبدیل داده‌ها: با استفاده از تکنیک‌های تبدیل داده مانند لگاریتم‌گیری (Log Transformation) و تفاضل‌گیری (Differencing)، داده‌های سری زمانی را برای مدل‌سازی بهتر آماده می‌کنید.
• استفاده از توابع خودهمبستگی (Autocorrelation Functions): با استفاده از توابع خودهمبستگی و خودهمبستگی جزئی (Partial Autocorrelation Functions)، ویژگی‌های مرتبط با ناهمبستگی در داده‌ها را شناسایی و استخراج می‌کنید.
• روش‌های کاهش ابعاد (Dimensionality Reduction): با استفاده از تکنیک‌های کاهش ابعاد مانند تحلیل مولفه‌های اصلی (PCA)، تعداد ویژگی‌ها را کاهش داده و از پیچیدگی مدل جلوگیری می‌کنید.
• ارزیابی و انتخاب ویژگی‌ها: یاد می‌گیرید چگونه ویژگی‌های مهم و موثر را شناسایی و انتخاب کنید و از ویژگی‌های نامربوط وredundant اجتناب کنید.
• ادغام ویژگی‌ها با مدل‌های پیش‌بینی: نحوه ادغام ویژگی‌های مهندسی‌شده با مدل‌های پیش‌بینی سری‌های زمانی مانند ARIMA، Prophet و شبکه‌های عصبی بازگشتی (RNN) را خواهید آموخت.
• پیاده‌سازی عملی در پایتون: تمامی تکنیک‌ها و مفاهیم را با استفاده از کتابخانه‌های پایتون مانند Pandas، NumPy، Scikit-learn و Statsmodels در پروژه‌های واقعی پیاده‌سازی خواهید کرد.

با شرکت در این دوره، شما از مزایای زیر بهره‌مند خواهید شد:

• یادگیری تکنیک‌های پیشرفته: شما با آخرین تکنیک‌ها و روش‌های مهندسی ویژگی برای سری‌های زمانی آشنا خواهید شد و می‌توانید آنها را در پروژه‌های خود به کار بگیرید.
• افزایش دقت پیش‌بینی: با استفاده از ویژگی‌های مهندسی‌شده، دقت پیش‌بینی‌های خود را به طور قابل توجهی افزایش خواهید داد.
• تسلط بر پایتون: شما مهارت‌های خود را در استفاده از پایتون و کتابخانه‌های آن برای تحلیل و پیش‌بینی سری‌های زمانی ارتقا خواهید داد.
• حل مسائل واقعی: شما با پروژه‌های واقعی و چالش‌های موجود در صنعت آشنا خواهید شد و مهارت‌های خود را در حل مسائل عملی تقویت خواهید کرد.
• فرصت‌های شغلی بهتر: با داشتن دانش و مهارت‌های لازم در زمینه مهندسی ویژگی برای سری‌های زمانی، فرصت‌های شغلی بهتری در شرکت‌های پیشرو در حوزه علم داده و هوش مصنوعی خواهید یافت.
• دسترسی آفلاین: کل دوره بر روی یک فلش مموری 32 گیگابایتی در اختیار شما قرار می‌گیرد، که امکان دسترسی آفلاین به محتوای دوره را در هر زمان و مکانی فراهم می‌کند. این امر به خصوص برای افرادی که دسترسی محدود به اینترنت دارند بسیار مفید است.

برای شرکت در این دوره، بهتر است با مفاهیم زیر آشنایی داشته باشید:

• مفاهیم پایه علم داده: آشنایی با مفاهیم اساسی علم داده مانند یادگیری ماشین، داده‌کاوی و آمار.
• برنامه‌نویسی پایتون: آشنایی با زبان برنامه‌نویسی پایتون و کتابخانه‌های آن مانند NumPy و Pandas.
• آشنایی با سری‌های زمانی (اختیاری): داشتن دانش اولیه در مورد سری‌های زمانی می‌تواند مفید باشد، اما الزامی نیست. دوره به گونه‌ای طراحی شده است که مفاهیم پایه را نیز پوشش می‌دهد.

این دوره شامل بخش‌های زیر است:

1. مقدمه‌ای بر سری‌های زمانی: در این بخش، با مفاهیم پایه سری‌های زمانی، انواع داده‌های سری زمانی و کاربردهای آنها آشنا می‌شوید.
2. پیش‌پردازش داده‌های سری زمانی: در این بخش، یاد می‌گیرید چگونه داده‌های سری زمانی را پاکسازی، نرمال‌سازی و برای مدل‌سازی آماده کنید.
3. مهندسی ویژگی‌های مبتنی بر زمان: در این بخش، نحوه استخراج ویژگی‌های مرتبط با زمان مانند روز هفته، ماه سال و فصل را خواهید آموخت.
4. ایجاد ویژگی‌های تأخیری و آمارهای پنجره‌ای: در این بخش، با استفاده از مقادیر گذشته و آمارهای پنجره‌ای، ویژگی‌های جدیدی ایجاد می‌کنید که الگوهای پنهان در داده‌ها را آشکار می‌کنند. به عنوان مثال، برای پیش‌بینی فروش یک محصول، می‌توان ویژگی‌های تأخیری فروش در هفته‌های گذشته را ایجاد کرد. یا برای پیش‌بینی ترافیک یک وب‌سایت، می‌توان میانگین متحرک ترافیک در ساعات گذشته را محاسبه کرد.
5. تبدیل داده‌ها و استفاده از توابع خودهمبستگی: در این بخش، با استفاده از تکنیک‌های تبدیل داده و توابع خودهمبستگی، ویژگی‌های مرتبط با ناهمبستگی و روند در داده‌ها را شناسایی و استخراج می‌کنید.
6. کاهش ابعاد و انتخاب ویژگی‌ها: در این بخش، با استفاده از تکنیک‌های کاهش ابعاد و روش‌های انتخاب ویژگی، ویژگی‌های مهم و موثر را شناسایی و از پیچیدگی مدل جلوگیری می‌کنید.
7. ادغام ویژگی‌ها با مدل‌های پیش‌بینی: در این بخش، نحوه ادغام ویژگی‌های مهندسی‌شده با مدل‌های پیش‌بینی سری‌های زمانی مانند ARIMA، Prophet و شبکه‌های عصبی بازگشتی را خواهید آموخت.
8. پروژه‌های عملی: در این بخش، با استفاده از داده‌های واقعی، پروژه‌های عملی را انجام می‌دهید و مهارت‌های خود را در مهندسی ویژگی برای سری‌های زمانی تقویت می‌کنید.

فرض کنید شما مسئول پیش‌بینی فروش یک فروشگاه آنلاین هستید. با استفاده از داده‌های فروش گذشته، می‌توانید ویژگی‌های زیر را ایجاد کنید:

• روز هفته: آیا فروش در روزهای خاصی از هفته بیشتر است؟
• ماه سال: آیا فروش در ماه‌های خاصی از سال بیشتر است؟
• فروش در هفته گذشته: آیا فروش در هفته گذشته بر فروش این هفته تأثیر دارد؟
• میانگین فروش در چهار هفته گذشته: آیا میانگین فروش در چهار هفته گذشته نشان‌دهنده روند کلی فروش است؟

با ادغام این ویژگی‌ها با یک مدل پیش‌بینی، می‌توانید دقت پیش‌بینی خود را به طور قابل توجهی افزایش دهید.