در این مطلب، ویدئو مدل میانگین متحرک خودرگرسیون غیرفصلی (ARIMA) در پایتون (مثال مدلهای آماری) 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: 00:08:32
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:01,280 –> 00:00:03,840
من میخواهم در این ویدیو به همه نشان دهم که چگونه میتوان
2
00:00:03,840 –> 00:00:07,120
مدل تحلیل سریهای زمانی را در پایتون
3
00:00:07,120 –> 00:00:11,679
و نوتبوک ژوپیتر انجام داد. به نظر
4
00:00:11,759 –> 00:00:13,599
من برخی از افراد دوست
5
00:00:13,599 –> 00:00:15,280
دارند کدهای خود را
6
00:00:15,280 –> 00:00:18,800
برای انجام تجزیه و تحلیل سریهای زمانی توسعه دهند
7
00:00:18,800 –> 00:00:21,600
که به نظر من این اراده را دوباره اختراع میکند
8
00:00:21,600 –> 00:00:22,560
9
00:00:22,560 –> 00:00:25,920
. لازم است
10
00:00:25,920 –> 00:00:28,560
اگر بسته پایتون بسته موجود
11
00:00:28,560 –> 00:00:29,599
12
00:00:29,599 –> 00:00:33,120
در اینترنت وجود دارد، می توانید مستقیماً از آن استفاده
13
00:00:33,120 –> 00:00:35,920
کنید، لازم نیست کدهای خود را توسعه دهید،
14
00:00:35,920 –> 00:00:38,559
وظیفه ما این است که کار را انجام
15
00:00:38,559 –> 00:00:40,399
دهیم، این نیست که کارمان را
16
00:00:40,399 –> 00:00:42,160
17
00:00:42,160 –> 00:00:45,440
پیچیده تر کنیم. بسته مدل آماری را
18
00:00:45,440 –> 00:00:48,000
برای تجزیه و تحلیل سرویس زمان پایتون بسیار
19
00:00:48,000 –> 00:00:49,520
مفید است،
20
00:00:49,520 –> 00:00:51,600
بنابراین می خواهم نحوه استفاده از
21
00:00:51,600 –> 00:00:53,039
بسته مدل آماری را
22
00:00:53,039 –> 00:00:56,079
در این ویدیو تا
23
00:00:56,079 –> 00:00:59,120
زمانی که این بررسی ثبت شده است به شما نشان دهم. یک نقطه
24
00:00:59,120 –> 00:01:00,000
ضعف
25
00:01:00,000 –> 00:01:03,120
در مورد بسته مدل stat
26
00:01:03,120 –> 00:01:06,320
این است که بسته بسیار قدرتمندی است اما
27
00:01:06,320 –> 00:01:10,000
من پیدا نکردم مثالهای کافی
28
00:01:10,000 –> 00:01:13,119
برای نشان دادن نحوه استفاده از مدلهای
29
00:01:13,119 –> 00:01:14,479
30
00:01:14,479 –> 00:01:17,040
31
00:01:17,040 –> 00:01:18,240
32
00:01:18,240 –> 00:01:21,600
33
00:01:21,600 –> 00:01:25,040
34
00:01:25,040 –> 00:01:28,479
آماری برای کاربران ht اما بعد
35
00:01:28,479 –> 00:01:29,840
از اینکه فهمیدم چگونه از
36
00:01:29,840 –> 00:01:33,680
بسته استفاده کنم احساس می کنم خیلی جالب است،
37
00:01:33,680 –> 00:01:36,000
اجازه دهید نحوه استفاده از بسته مدل آماری را به شما نشان دهم
38
00:01:36,000 –> 00:01:38,159
39
00:01:38,159 –> 00:01:40,960
، این اسکریپت کد پایتون
40
00:01:40,960 –> 00:01:41,280
و
41
00:01:41,280 –> 00:01:43,920
داده های منبع را در قسمت توضیحات این ویدیو آپلود
42
00:01:43,920 –> 00:01:45,360
43
00:01:45,360 –> 00:01:47,520
می کنم و می توانید هر دو را در آن دانلود کنید. کامپیوتر شما
44
00:01:47,520 –> 00:01:48,799
45
00:01:48,799 –> 00:01:51,520
و سپس نگاهی به آن بیندازید، من
46
00:01:51,520 –> 00:01:52,399
47
00:01:52,399 –> 00:01:55,439
هر خط کدها را یک به یک نمی خوانم. اجازه دهید
48
00:01:55,439 –> 00:01:55,920
فقط
49
00:01:55,920 –> 00:01:59,119
یک نمای کلی از این اسکریپت به شما ارائه دهم
50
00:01:59,119 –> 00:02:02,000
و سپس بتوانید خودتان آن را بخوانید.
51
00:02:02,000 –> 00:02:03,439
52
00:02:03,439 –> 00:02:06,320
53
00:02:06,320 –> 00:02:07,119
54
00:02:07,119 –> 00:02:10,399
نمادهایی برای توضیح اینکه
55
00:02:10,399 –> 00:02:12,720
هدف هر خط کد چیست،
56
00:02:12,720 –> 00:02:15,840
می توانید آن را به تنهایی بخوانید، زمانی که
57
00:02:15,840 –> 00:02:17,920
تجزیه و تحلیل سری های زمانی را انجام
58
00:02:17,920 –> 00:02:21,360
می دهید، باید چهار مرحله اصلی را طی کنید،
59
00:02:21,360 –> 00:02:24,239
ابتدا بسته مورد نیاز
60
00:02:24,239 –> 00:02:24,879
61
00:02:24,879 –> 00:02:27,920
و داده های منبع را وارد کنید و سپس می خواهید کد را
62
00:02:27,920 –> 00:02:31,360
تجسم کنید. مجموعه داده های اصلی
63
00:02:31,360 –> 00:02:34,160
دلیل آن این است که ما می خواهیم بررسی کنیم که آیا
64
00:02:34,160 –> 00:02:35,440
65
00:02:35,440 –> 00:02:38,319
روند افزایشی یا کاهشی طولانی مدت در
66
00:02:38,319 –> 00:02:39,920
مجموعه داده وجود دارد که
67
00:02:39,920 –> 00:02:42,879
من قبلاً این کار را در بالای این مجموعه داده
68
00:02:42,879 –> 00:02:43,840
69
00:02:43,840 –> 00:02:46,879
انجام دادم، همانطور که می بینید ما یک روند طولانی مدت نداریم.
70
00:02:46,879 –> 00:02:49,920
روند افزایشی یا کاهشی برخی از
71
00:02:49,920 –> 00:02:51,519
همکلاسی ها ممکن است بگویند بسیار
72
00:02:51,519 –> 00:02:54,319
خوب، من افت قابل توجهی در
73
00:02:54,319 –> 00:02:55,280
وسط پیدا کردم،
74
00:02:55,280 –> 00:02:58,239
باید آن را نادیده بگیرم، پاسخ این است که بله،
75
00:02:58,239 –> 00:03:00,480
حتی اگر ما یک dp در وسط داشته
76
00:03:00,480 –> 00:03:03,680
باشیم، نمی توانیم یک روند ثابت افزایشی یا کاهشی طولانی مدت پیدا
77
00:03:03,680 –> 00:03:07,040
78
00:03:07,040 –> 00:03:10,080
کنیم، بنابراین ما فرض می کنیم که ما مجبور نیستیم
79
00:03:10,080 –> 00:03:10,560
80
00:03:10,560 –> 00:03:14,400
در این مجموعه داده تفاوت ایجاد
81
00:03:14,400 –> 00:03:16,959
کنیم، اگر روند افزایش یا کاهش طولانی مدت را مشاهده
82
00:03:16,959 –> 00:03:18,400
83
00:03:18,400 –> 00:03:20,879
کردید، باید این
84
00:03:20,879 –> 00:03:22,080
مجموعه داده را
85
00:03:22,080 –> 00:03:24,720
در انتهای اسکریپت تغییر دهید، من یک مثال به شما نشان دادم که
86
00:03:24,720 –> 00:03:25,920
87
00:03:25,920 –> 00:03:29,120
چگونه با استفاده
88
00:03:29,120 –> 00:03:31,280
از بسته مدل آمار،
89
00:03:31,280 –> 00:03:33,599
اگر به تفاوت نیاز دارید، میتوانید
90
00:03:33,599 –> 00:03:34,480
91
00:03:34,480 –> 00:03:37,680
این مثال را دنبال کنید تا تفاوت را برای
92
00:03:37,680 –> 00:03:38,799
این مجموعه داده
93
00:03:38,799 –> 00:03:42,159
انجام دهید، ما نیازی به انجام تفاوت نداریم،
94
00:03:42,159 –> 00:03:42,720
این اولین
95
00:03:42,720 –> 00:03:46,480
قدم است که مجموعه داده اصلی را تجسم کنید
96
00:03:46,480 –> 00:03:48,640
تا بررسی کنید آیا دارید یک روند
97
00:03:48,640 –> 00:03:49,920
کاهشی یا
98
00:03:49,920 –> 00:03:53,680
افزایشی طولانی مدت در مرحله بعد که می خواهید به
99
00:03:53,680 –> 00:03:57,360
مرحله دو بروید، ما از
100
00:03:57,360 –> 00:04:00,640
نمودارهای acf و pacf استفاده خواهیم کرد تا مشخص کنیم
101
00:04:00,640 –> 00:04:02,799
کدام مدل را باید برای این تحلیل سری زمانی استفاده
102
00:04:02,799 –> 00:04:04,319
103
00:04:04,319 –> 00:04:07,360
کنیم: ar m a یا arma
104
00:04:07,360 –> 00:04:09,680
w کلاه ترتیب مدلی است که انتخاب میکنیم،
105
00:04:09,680 –> 00:04:10,959
106
00:04:10,959 –> 00:0