دوره طبقه‌بندی سری‌های زمانی در پایتون

آنچه یاد خواهید گرفت: ساخت مدل‌های بهینه‌سازی‌ شده طبقه‌بندی سری‌های زمانی دریافت درک عمیق از الگوریتم‌ها و نحوه عملکرد آنها استفاده از یادگیری ماشین و یادگیری عمیق برای طبقه‌بندی سری‌های زمانی مصورسازی داده‌ پیچیده طبقه‌بندی سری‌های زمانی کسب تجربه با مجموعه داده‌های واقعی در مراقبت‌های بهداشتی، IoT، طیف‌نگاری و موارد دیگر پیش‌نیازهای دوره آشنایی با پایتون دانش مفاهیم رایج یادگیری ماشین مانند: تقسیم داده‌ به آموزش و تست و جستجوی شبکه‌ توضیحات دوره به طبقه‌بندی سری‌های زمانی در پایتون مسلط شوید! این دوره شامل تکنیک‌های یادگیری ماشین و یادگیری عمیق برای طبقه‌بندی سری‌های زمانی است که در پروژه‌های عملی هدایت شده %100 پایتونی استفاده می‌شود. دانش شما در پایان دوره: تسلط به طبقه‌بندی سری‌های زمانی انجام مهندسی ویژگی و بهینه‌سازی مدل برای طبقه‌بندی یادگیری و پیاده‌سازی مدل‌های پیشرفته‌ یادگیری ماشین و یادگیری عمیق کسب تجربه عملی با مجموعه داده‌های واقعی در مراقبت‌های بهداشتی، IoT، داده‌ حسگر، طیف‌نگاری و موارد دیگر این دوره کامل‌ترین دوره در زمینه طبقه‌بندی سری‌های زمانی است. ما تمام انواع مدل‌ها از جمله موارد زیر را پوشش می‌دهیم: مدل‌های مبتنی بر فاصله مدل‌های مبتنی بر دیکشنری مدل‌های گروهی مدل‌های مبتنی بر ویژگی مدل‌های مبتنی بر بازه مدل‌های مبتنی بر کرنل مدل‌های شاپلت classifiers متا ابتدا نظریه و نحوه عملکرد هر مدل را بررسی می‌کنیم و سپس آنها را در یک پروژه عملی با استفاده از پایتون به‌کار می‌گیریم. علاوه بر این، یک بخش اضافی در مورد مدل‌های یادگیری عمیق وجود دارد که به شما نقشه‌ای برای اعمال هر معماری یادگیری عمیق برای طبقه‌بندی سری‌های زمانی می‌دهد. تمام توابع انعطاف‌پذیر هستند و شما می‌توانید با سری‌هایی که هر تعداد ویژگی، نمونه و مرحله زمانی دارند، کار کنید. مباحث دقیق: مقدمه‌ای بر طبقه‌بندی سری‌های زمانی کاربردهای طبقه‌بندی سری‌های زمانی classifiers بیس‌لاین روش مبتنی بر فاصله فاصله اقلیدسی طبقه‌بندی نزدیک‌ترین همسایه K (KNN) قوس زمانی پویا (DTW) از ابتدا ShapeDTW مدل‌های مبتنی بر دیکشنری BOSS WEASEL TDE MUSE پروژه پایانی: طبقه‌بندی سخنگویان وام‌های ژاپنی روش‌های گروهی Bagging classifier وزنی جنگل سری‌های زمانی روش‌های مبتنی بر ویژگی classifier خلاصه پروفایل ماتریس Catch22 TSFresh پروژه پایانی: طبقه‌بندی خرابی تجهیزات در یک کارخانه فرآوری روش مبتنی بر بازه RISE CIF DrCIF روش‌های مبتنی بر کرنل ماشین بردار پشتیبان Rocket Arsenal پروژه پایانی: طبقه‌بندی لوازم خانگی بر اساس مصرف برق آنها روش‌های مبتنی بر شاپلت classifier تبدیل شاپلت مدل‌های هیبریدی HIVE-COTE پروژه پایانی: طبقه‌بندی نوشیدنی‌ها از طریق طیف‌نگاری مطلب اضافه: یادگیری عمیق برای طبقه‌بندی سری‌های زمانی در این ماژول، ما یک بلوپرینت توسعه می‌دهیم به‌طوری‌که شما بتوانید هر معماری یادگیری عمیق را برای طبقه‌بندی سری‌های زمانی به کار بگیرید. در پایان، شما توابع انعطاف‌پذیری ساخته‌اید که می‌توانند به سری‌هایی با هر تعداد نمونه، ویژگی و مرحله زمانی تطابق پیدا کنند. بلوپرینت یادگیری عمیق با Keras بلوپرینت یادگیری عمیق با PyTorch این دوره برای چه کسانی مناسب است؟ دانشمندان داده‌ که با مراقبت‌های بهداشتی، IoT یا نظارت بر تجهیزات از طریق داده‌ حسگر کار می‌کنند. حرفه‌ای‌هایی که می‌خواهند مدل‌های طبقه‌بندی پیشرفته توسعه دهند.