دوره پیش‌بینی هوشمند داده‌ها با مدل‌های ترنسفورمر (Chronos و PatchTST) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیش‌بینی هوشمند داده‌ها با مدل‌های ترنسفورمر (Chronos و PatchTST)

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: یادگیری عمیق در تحلیل سری‌های زمانی

📋 سرفصل‌های دوره

• 1. مبانی سری‌های زمانی و چالش‌های پیش‌بینی کلاسیک
• 2. محدودیت‌های مدل‌های آماری سنتی در تحلیل داده‌های پیچیده
• 3. معماری ترنسفورمر و مکانیسم توجه در تحلیل توالی‌ها
• 4. پیش‌پردازش داده‌های زمانی برای مدل‌های یادگیری عمیق
• 5. نرمال‌سازی و مدیریت مقادیر مفقود در سری‌های زمانی
• 6. رمزگذاری موقعیتی در مدل‌های ترنسفورمر برای داده‌های زمانی
• 7. ایده‌پردازی مدل PatchTST و تفکیک توالی به تکه‌های کوچک
• 8. مزایای استفاده از پچ‌بندی در کاهش پیچیدگی محاسباتی
• 9. ساختار لایه انکودر در مدل‌های پیش‌بینی سری زمانی
• 10. آموزش مدل‌های ترنسفورمر با استفاده از داده‌های چندمتغیره
• 11. مفهوم مدل‌های پیش‌آموزش‌دیده در پیش‌بینی سری زمانی
• 12. آشنایی با معماری Chronos و مدل‌های زبانی سری زمانی
• 13. تفاوت رویکرد توکن‌بندی در Chronos با مدل‌های سنتی
• 14. آماده‌سازی داده‌ها برای مدل Chronos
• 15. تنظیم ابرپارامترها در مدل‌های پیش‌بینی ترنسفورمر
• 16. ارزیابی عملکرد مدل با معیارهای MSE و MAE
• 17. پیاده‌سازی مدل PatchTST با استفاده از کتابخانه‌های پایتون
• 18. استفاده از مدل Chronos برای پیش‌بینی‌های کوتاه و بلندمدت
• 19. تطبیق مدل‌های ترنسفورمر با داده‌های حوزه کسب‌وکار و مالی
• 20. بهینه‌سازی مصرف حافظه در مدل‌های سنگین ترنسفورمر
• 21. تکنیک‌های افزایش دقت در پیش‌بینی داده‌های نویزدار
• 22. تحلیل اهمیت ویژگی‌ها در مدل‌های مبتنی بر توجه
• 23. استفاده از انتقال یادگیری در پیش‌بینی سری‌های زمانی
• 24. مقایسه عملکرد PatchTST و Chronos در سناریوهای مختلف
• 25. روش‌های استقرار مدل‌های پیش‌بینی در محیط‌های عملیاتی
• 26. پایش و بازآموزی مدل‌های هوشمند در طول زمان
• 27. بررسی خطاهای رایج در مدل‌سازی سری‌های زمانی با ترنسفورمرها
• 28. اخلاق در داده‌کاوی و رعایت حریم خصوصی در تحلیل داده‌ها
• 29. کاربرد مدل‌های ترنسفورمر در پیش‌بینی تقاضا و مدیریت موجودی
• 30. پروژه نهایی: طراحی یک سیستم پیش‌بینی هوشمند با معماری ترکیبی