در این مطلب، ویدئو دارت: سری های زمانی در پایتون آسان شده است با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:12:05
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:05,759 –> 00:00:08,559
معرفی دارت که یک
2
00:00:08,559 –> 00:00:11,120
کتابخانه تجزیه و تحلیل سری زمانی است که با پایتون نوشته شده است،
3
00:00:11,120 –> 00:00:13,120
اما لازم نیست نگران باشید،
4
00:00:13,120 –> 00:00:15,599
اکنون یک زمین فروش 10 دقیقه ای برای واحد 8
5
00:00:15,599 –> 00:00:17,680
نیست، زیرا starts کاملاً یک
6
00:00:17,680 –> 00:00:20,000
کتابخانه منبع باز است، بنابراین همه می توانند در
7
00:00:20,000 –> 00:00:22,240
صورت تمایل به آن دسترسی داشته باشند، می توانید جستجو کنید. کد
8
00:00:22,240 –> 00:00:23,840
و فقط بدون هیچ رشته ای برای خود استفاده کنید،
9
00:00:23,840 –> 00:00:26,960
10
00:00:26,960 –> 00:00:29,199
بنابراین در 10 دقیقه آینده فقط
11
00:00:29,199 –> 00:00:30,720
به شما یک مقدمه سریع برای پیش بینی سری های زمانی ارائه خواهم کرد
12
00:00:30,720 –> 00:00:32,479
یا اینکه چرا باید به
13
00:00:32,479 –> 00:00:34,880
سری های زمانی اهمیت دهید، پس چرا ما
14
00:00:34,880 –> 00:00:37,040
اصلا دارت ها را توسعه دادیم و چرا ساختیم.
15
00:00:37,040 –> 00:00:38,719
منبع باز است و سپس من می
16
00:00:38,719 –> 00:00:40,079
خواهم یک نسخه ی نمایشی سریع به شما ارائه دهم زیرا فکر می
17
00:00:40,079 –> 00:00:41,440
کنم این بهترین راه برای نشان دادن یک
18
00:00:41,440 –> 00:00:43,520
کتابخانه جدید این است که نشان دهید چگونه کار می کند و
19
00:00:43,520 –> 00:00:45,200
چقدر ممکن است برای کاربر نهایی آسان باشد
20
00:00:45,200 –> 00:00:47,200
زیرا این واقعاً هدف ما بود.
21
00:00:47,200 –> 00:00:49,360
تجزیه و تحلیل تمام سریهای زمانی را برای کاربر نهایی آسان کنید،
22
00:00:49,360 –> 00:00:52,239
23
00:00:52,239 –> 00:00:54,399
بنابراین نکته مثبت در مورد سریهای زمانی این است
24
00:00:54,399 –> 00:00:56,559
که انگیزه دادن به آنها واقعا آسان است
25
00:00:56,559 –> 00:00:58,399
، زیرا میتوانم بگویم که آنها به سادگی
26
00:00:58,399 –> 00:01:00,800
در همه جا در هر صنعتی وجود دارند، هر
27
00:01:00,800 –> 00:01:02,800
کسب و کاری که شما دارید. شکل
28
00:01:02,800 –> 00:01:04,319
سری
29
00:01:04,319 –> 00:01:06,479
های زمانی به عنوان مثال ما در واحد 8 موارد زیادی داشتیم به
30
00:01:06,479 –> 00:01:07,920
عنوان مثال پیش بینی مالی یا فروش
31
00:01:07,920 –> 00:01:10,080
یا خودم روی پیش بینی جریان نقدی کار می کردم
32
00:01:10,080 –> 00:01:12,400
اما به این معنی بود که
33
00:01:12,400 –> 00:01:14,159
شغل قبلی من بیشتر در
34
00:01:14,159 –> 00:01:16,400
آمار زیستی کار می کردم و به عنوان
35
00:01:16,400 –> 00:01:17,520
مثال در بخش بهداشت و درمان کار می کردم و
36
00:01:17,520 –> 00:01:19,600
پیش بینی بستری شدن در بیمارستان را انجام داد،
37
00:01:19,600 –> 00:01:21,280
بنابراین واقعاً یک روش آماری است
38
00:01:21,280 –> 00:01:22,080
39
00:01:22,080 –> 00:01:24,400
که همه جا در هر
40
00:01:24,400 –> 00:01:27,200
صنعتی وجود دارد،
41
00:01:27,200 –> 00:01:29,520
بنابراین ما از اتحاد واقعاً فکر می کردیم در حالی
42
00:01:29,520 –> 00:01:31,920
که روی برخی از پروژه های مشتری کار می
43
00:01:31,920 –> 00:01:33,680
44
00:01:33,680 –> 00:01:35,280
کردیم، فکر می کردیم که تجزیه و تحلیل آنها برای همه باید واقعا آسان باشد، زیرا ما فکر می کنیم که بسیاری از
45
00:01:35,280 –> 00:01:37,280
مشاغل تجاری فقط
46
00:01:37,280 –> 00:01:38,960
تجزیه و تحلیل صحیح آنها را از دست ندهید
47
00:01:38,960 –> 00:01:40,880
زیرا در حین کار بر روی چندین
48
00:01:40,880 –> 00:01:42,720
پروژه مشتری
49
00:01:42,720 –> 00:01:45,119
متوجه شدیم که
50
00:01:45,119 –> 00:01:47,600
تعداد زیادی کتابخانه مختلف وجود دارد که
51
00:01:47,600 –> 00:01:49,520
شما باید از آنها مخصوصاً در پایتون استفاده کنید، به
52
00:01:49,520 –> 00:01:51,200
عنوان مثال
53
00:01:51,200 –> 00:01:52,000
برای
54
00:01:52,000 –> 00:01:55,280
اجرای پروژه سری تمام وقت خود
55
00:01:55,280 –> 00:01:57,600
به گونه ای که از داده های کامل استفاده کنید. اکتشاف در حال
56
00:01:57,600 –> 00:01:59,840
پیش پردازش برخی از مدل های پیش
57
00:01:59,840 –> 00:02:01,439
بینی به خصوص اگر می خواهید برای
58
00:02:01,439 –> 00:02:03,360
مثال برخی از مدل های کلاسیک را پیش بینی کنید
59
00:02:03,360 –> 00:02:05,040
اگر میخواهید
60
00:02:05,040 –> 00:02:06,240
61
00:02:06,240 –> 00:02:08,878
از روشهای یادگیری عمیقتر یادگیری ماشینی مدرنتر استفاده کنید، به حداقل دو تا سه کتابخانه
62
00:02:08,878 –> 00:02:10,720
نیاز دارید، واقعاً باید
63
00:02:10,720 –> 00:02:12,400
یک چارچوب کاملاً جدید را بیاموزید، به
64
00:02:12,400 –> 00:02:14,640
عنوان مثال تنسورفلو یا پایتون فقط با نام بردن
65
00:02:14,640 –> 00:02:16,560
دو مثال،
66
00:02:16,560 –> 00:02:18,160
و ما فکر میکنیم که این کار باید بسیار
67
00:02:18,160 –> 00:02:19,520
سادهتر باشد. شما نباید اسناد حدود 10 کتابخانه مختلف را
68
00:02:19,520 –> 00:02:21,360
وارد کنید یا یاد بگیرید و بخوانید،
69
00:02:21,360 –> 00:02:23,440
70
00:02:23,440 –> 00:02:25,840
اما فقط امیدواریم یکی باشد
71
00:02:25,840 –> 00:02:27,200
و این همان کاری است که ما در واقع سعی می کنیم
72
00:02:27,200 –> 00:02:29,280
با دارت های الهام گرفته از موارد استفاده در دنیای واقعی
73
00:02:29,280 –> 00:02:30,560
74
00:02:30,560 –> 00:02:32,560
با برخی از پروژه های خود انجام دهیم،
75
00:02:32,560 –> 00:02:35,280
بنابراین ابتدا همانطور که فکر می کنم شروع شد. حدود
76
00:02:35,280 –> 00:02:37,920
سه سال پیش بیشتر به عنوان ابزاری برای
77
00:02:37,920 –> 00:02:39,519
خودمان، ما واقعاً برنامهای برای
78
00:02:39,519 –> 00:02:41,040
انتشار چیزی
79
00:02:41,040 –> 00:02:42,640
نداشتیم، زیرا فقط متوجه شدیم که
80
00:02:42,640 –> 00:02:44,640
بارها و بارها مشکلات مشابهی داریم و
81
00:02:44,640 –> 00:02:46,879
فقط میخواستیم این کار را
82
00:02:46,879 –> 00:02:48,560
برای خودمان راحتتر کنیم،
83
00:02:48,560 –> 00:02:50,560
اما بعد از چند سال ما متوجه شدیم
84
00:02:50,560 –> 00:02:52,319
که واقعاً یک کتابخانه کامل در
85
00:02:52,319 –> 00:02:54,720
آنجا وجود دارد و ما فکر کردیم که میتوانیم
86
00:02:54,720 –> 00:02:56,560
کمی به جامعه منبع باز بازگردانیم
87
00:02:56,560 –> 00:02:58,879
و همین یک سال پیش آن را منتشر کردیم
88
00:02:58,879 –> 00:03:01,519
. در ژوئن سال گذشته
89
00:03:01,519 –> 00:03:02,720
90
00:03:02,720 –> 00:03:04,480
فکر کنید تا ببینید مردم در مورد آن چه فکر می کنند
91
00:03:04,480 –> 00:03:06,000
و شاید اگر مردم حتی می توانستند
92
00:03:06,000 –> 00:03:06,879
آن را بهبود بخشند
93
00:03:06,879 –> 00:03:08,480
و ما واقعاً از دیدن آن خوشحال
94
00:03:08,480 –> 00:03:10,080
و هیجان زده
95
00:03:10,080 –> 00:03:12,000
شدیم که بسیاری از مردم فکر می کردند
96
00:03:12,000 –> 00:03:14,319
مفید است بنابراین در این یک سال ما به
97
00:03:14,319 –> 00:03:15,760
رسمیت شناختن و
98
00:03:15,760 –> 00:03:17,680
توجه زیادی به دست آوردیم که واقعا برای ما خوب بود
99
00:03:17,680 –> 00:03:19,519
و همچنین بازخوردهای زیادی از
100
00:03:19,519 –> 00:03:21,360
مردم گرفتیم که چه چیزی را میتوانیم بهبود دهیم و چگونه
101
00:03:21,360 –> 00:03:22,640
از کتابخانه استفاده کردند و چه چیزهایی را
102
00:03:22,640 –> 00:03:23,920
در مورد آن دوست داشتند،
103
00:03:23,920 –> 00:03:25,280
بنابراین واقعاً خوب بوده است.
104
00:03:25,280 –> 00:03:27,440
سال جالبی است،
105
00:03:27,440 –> 00:03:30,319
بنابراین، دارتهای سری زمانی واقعاً
106
00:03:30,319 –> 00:03:32,400
تلاش میکنند تا چرخه عمر محصول سری تماموقت را از زمان کشف پوشش دهند،
107
00:03:32,400 –> 00:03:34,879
بنابراین
108
00:03:34,879 –> 00:03:36,799
از تجسم دادهها، مدلهای چاقوی مناسب
109
00:03:36,799 –> 00:03:38,879
فقط برای اینکه ببینند چه چیزی برای
110
00:03:38,879 –> 00:03:40,560
پیشپردازش با درون یابی
111
00:03:40,560 –> 00:03:42,879
مقادیر از دست رفته امکانپذیر است و آزمایش قطار
112
00:03:42,879 –> 00:03:44,000
همه این موارد را تقسیم میکند.
113
00:03:44,000 –> 00:03:45,440
و همچنین جریان اصلی
114
00:03:45,440 –> 00:03:47,840
یا احتمالاً شاداب ترین
115
00:03:47,840 –> 00:03:50,480
بخش، مدل های پیش بینی است که در
116
00:03:50,480 –> 00:03:53,439
حال حاضر به حدود 13 14 15
117
00:03:53,439 –> 00:03:55,280
مدل مختلف از مدل های کلاسیک فکر می کنم
118
00:03:55,280 –> 00:03:58,000
که واقعی هستند. در طول زمان
119
00:03:58,000 –> 00:04:00,400
مانند arima و هموارسازی نمایی کار می
120
00:04:00,400 –> 00:04:02,879
کنیم، اما ما همچنین سعی می کنیم در بالا باقی بمانیم و
121
00:04:02,879 –> 00:04:04,480
همچنین برخی از
122
00:04:04,480 –> 00:04:06,879
فناوری های پیشرفته مانند n beats یا برخی از روش های یادگیری عمیق را اجرا کنیم
123
00:04:06,879 –> 00:04:08,319
124
00:04:08,319 –> 00:04:09,599
و البته اگر
125
00:04:09,599 –> 00:04:11,680
مدل های زیادی دارید، به روشی نیز نیاز دارید.
126
00:04:11,680 –> 00:04:13,680
انتخاب مدل ارزیابی مدل، بنابراین آن
127
00:04:13,680 –> 00:04:15,439
هم شامل
128
00:04:15,439 –> 00:04:17,040
اوم و من فکر میکنم این همه آن چیزی بود که
129
00:04:17,040 –> 00:04:19,279
میخواستم تا اینجا نشان دهم، بقیه
130
00:04:19,279 –> 00:04:21,680
اساساً فقط یک نسخه نمایشی سریع خواهند بود
131
00:04:21,680 –> 00:04:23,759
و امیدوارم همه چیز کار کند
132
00:04:23,759 –> 00:04:25,280
، چند بار آن را آزمایش کردم، در غیر این صورت برخی از موارد
133
00:04:25,280 –> 00:04:27,600
بازگشتی دارم که میتوانم آنها را برگردانم به شما، اما
134
00:04:27,600 –> 00:04:30,320
من نیستم، امیدوارم که همه چیز به طور معمول کار کند،
135
00:04:30,320 –> 00:04:32,800
همه چیز در دموهای نمایشی زنده به خوبی پیش می رود،
136
00:04:32,800 –> 00:04:34,960
137
00:04:34,960 –> 00:04:36,880
بنابراین اول، حتی اگر واقعاً
138
00:04:36,880 –> 00:04:38,639
برنامه نویس نیستید، واقعاً نیازی به
139
00:04:38,639 –> 00:04:40,479
نگرانی نیست، بخش های مهم کتابخانه را برجسته می کنم
140
00:04:40,479 –> 00:04:42,800
یا چیزی که ما سعی می کنیم
141
00:04:42,800 –> 00:04:45,280
حل کنیم زیرا اگر شما حتی اگر
142
00:04:45,280 –> 00:04:47,520
از pi استفاده نکنید در واقع خواهید دید که
143
00:04:47,520 –> 00:04:49,199
استفاده
144
00:04:49,199 –> 00:04:51,280
از دو بلوک اول در اینجا که اجرا می کنم چقدر آسان است
145
00:04:51,280 –> 00:04:54,240
فقط برای وارد کردن محافظ ها و گزارش
146
00:04:54,240 –> 00:04:55,520
عمدتاً حالت های مختلف هستند. ls هایی که
147
00:04:55,520 –> 00:04:58,000
بعداً و برای تکرارپذیری خواهید دید،
148
00:04:58,000 –> 00:04:59,919
بنابراین اگر می خواهید این نوت بوک را در
149
00:04:59,919 –> 00:05:01,520
هر نقطه ای که ما بالا می بریم و
150
00:05:01,520 –> 00:05:03,440
آپلود می کنیم اجرا کنید، دقیقاً همان
151
00:05:03,440 –> 00:05:05,199
نتایج را خواهید گرفت،
152
00:05:05,199 –> 00:05:06,800
بنابراین مانند آنچه در بحث قبلی ذکر شد،
153
00:05:06,800 –> 00:05:09,039
ابتدا به اطلاعاتی نیاز دارید که انتظار داریم که
154
00:05:09,039 –> 00:05:11,199
شما قبلاً برخی از دادهها را به یک شکل یا آن شکل دریافت کردهاید،
155
00:05:11,199 –> 00:05:14,400
مثلاً بهعنوان یک csv،
156
00:05:14,400 –> 00:05:16,160
فقط کافی است آنها را بارگیری کنید و
157
00:05:16,160 –> 00:05:18,479
به یک شی سری زمانی تبدیل کنید
158
00:05:18,479 –> 00:05:21,120
که شی اصلی اینجا در دارت است
159
00:05:21,120 –> 00:05:22,880
به محض اینکه شیء زیبا را دریافت کردید.
160
00:05:22,880 –> 00:05:24,560
خیلی خوب است و شما می توانید از
161
00:05:24,560 –> 00:05:26,240
همه چیزهایی که در دارت گنجانده شده است استفاده کنید،
162
00:05:26,240 –> 00:05:28,080
حتی بدون استفاده از
163
00:05:28,080 –> 00:05:29,919
خود پایتون زیاد
164
00:05:29,919 –> 00:05:32,080
و ما سعی می کنیم آن را به راحتی و به همان اندازه
165
00:05:32,080 –> 00:05:35,120
انعطاف پذیر کنیم که این شی سری زمانی را دریافت کنید،
166
00:05:35,120 –> 00:05:36,800
167
00:05:36,800 –> 00:05:38,639
بنابراین این کاری است که من انجام می دهم.
168
00:05:38,639 –> 00:05:41,199
ابتدا میخواهیم مجموعه دادههای انرژی را تحلیل کنیم
169
00:05:41,199 –> 00:05:43,039
که مجموعهای از دادههای دنیای واقعی
170
00:05:43,039 –> 00:05:44,960
از یک چالش کگل است
171
00:05:44,960 –> 00:05:48,160
که در آن سعی میکنیم قیمت ساعتی انرژی را پیشبینی کنیم،
172
00:05:48,160 –> 00:05:50,160
173
00:05:50,160 –> 00:05:52,000
زیرا این واقعاً به عنوان
174
00:05:52,000 –> 00:05:53,120
یکی از
175
00:05:53,120 –> 00:05:54,400
کمککنندههای
176
00:05:54,400 –> 00:05:56,800
واقعاً به تغییرات اقلیمی شناسایی شد. و
177
00:05:56,800 –> 00:05:59,520
همچنین به کسب و کارهای مختلف کمک و کمک می کند،
178
00:05:59,520 –> 00:06:01,759
179
00:06:01,759 –> 00:06:03,039
بنابرای