پیش بینی سری های زمانی با استفاده از شبکه های عصبی عمیق

1. جلسه اول: آشنایی با سری های زمانی و روش های پردازش آنها

1.1. آشنایی با انواع سری های زمانی

     1.1.1. سری های زمانی تک متغیره

     2.1.1. سری های زمانی چند متغیره

2.1. انواع مسائل در پیش بینی سری های زمانی

     1.2.1. پیش بینی سری های زمانی تک متغیره برای گام زمانی واحد

     2.2.1. پیش بینی سری های زمانی تک متغیره با چند گام زمانی

     3.2.1. پیش بینی سری های زمانی چند متغیره تک هدفه با گام زمانی واحد

     4.2.1. پیش بینی سری های زمانی چند متغیره تک هدفه با چند گام زمانی

     5.2.1. پیش بینی سری های زمانی چند متغیره چند هدفه با گام زمانی واحد

     6.2.1. پیش بینی سری های زمانی چند متغیره چند هدفه با چند گام زمانی

3.1. معرفی یک مثال با سری زمانی تک متغیره

     1.3.1. مروری بر داده های مثال

     2.3.1. وارد کردن داده ها به محیط پایتون

     3.3.1. ویرایش داده ها

     4.3.1. ترسیم داده های سری زمانی

4.1. فلسفه مورد استفاده در پیش بینی سری های زمانی

     1.4.1. مفهوم لگ زمانی

     2.4.1. تخمینی از لگ زمانی مناسب با استفاده از پکیج stattools

     3.4.1. تبدیل پیش بینی سری زمانی به یک مسئله یادگیری با نظارت​​

2. جلسه دوم: پیش بینی سری های زمانی تک متغیره با استفاده از شبکه های عصبی پرسپترون چند لایه (MLP)

1.2. پیش پردازش داده ها

     1.1.2. تقسیم داده ها به دو دسته آموزش و تست

     2.1.2. نرمالایز کردن داده ها

2.2. پیش بینی سری زمانی تک متغیره با گام زمانی واحد توسط شبکه های عصبی MLP

     1.2.2. پیاده سازی معماری شبکه عصبی MLP در محیط پایتون

     2.2.2. آموزش شبکه عصبی MLP با داده های پردازش شده

     3.2.2. بررسی دقت شبکه عصبی آموزش داده شده

     4.2.2. پیش بینی یک گام زمانی آینده با شبکه عصبی آموزش داده شده

3.2. پیش بینی سری زمانی تک متغیره با چند گام زمانی توسط شبکه های عصبی MLP

     1.3.2. معرفی اصلاحات مورد نیاز برای پیش بینی سری زمانی با چند گام زمانی

     2.3.2. اصلاح شبکه عصبی برای پیش بینی سری زمانی با چند گام زمانی

     3.3.2. آموزش شبکه عصبی MLP با داده های پردازش شده

     4.3.2. بررسی دقت شبکه عصبی آموزش داده شده

     5.3.2. پیش بینی چند گام زمانی آینده با شبکه عصبی آموزش داده شده​​​​​​

3. جلسه سوم: پیش بینی سری های زمانی تک متغیره توسط شبکه های عصبی عمیق GRU، RNN و LSTM

1.3. پیش بینی سری زمانی تک متغیره با گام زمانی واحد توسط شبکه های عصبی عمیق RNN

     1.1.3. اضافه کردن بعد سوم به داده ها

     2.1.3. پیاده سازی معماری شبکه عصبی عمیق RNN در محیط پایتون

     3.1.3. آموزش شبکه عصبی با داده های پردازش شده

     4.1.3. بررسی دقت شبکه عصبی آموزش دیده شده

     5.1.3. پیش بینی سری زمانی تک متغیره با گام زمانی واحد

2.3. پیش بینی سری زمانی تک متغیره با گام زمانی واحد توسط شبکه های عصبی عمیق GRU

     1.2.3. پیاده سازی معماری شبکه عصبی عمیق GRU در محیط پایتون

     2.2.3. آموزش شبکه عصبی با داده های پردازش شده

     3.2.3. بررسی دقت شبکه عصبی آموزش دیده شده

     4.2.3. پیش بینی سری زمانی تک متغیره با گام زمانی واحد​​​​​​​

3.3. پیش بینی سری زمانی تک متغیره با گام زمانی واحد توسط شبکه های عصبی عمیق LSTM

     1.3.3. پیاده سازی معماری شبکه عصبی عمیق LSTM در محیط پایتون

     2.3.3. آموزش شبکه عصبی با داده های پردازش شده

     3.3.3. بررسی دقت شبکه عصبی آموزش دیده شده

     4.3.3. پیش بینی سری زمانی تک متغیره با گام زمانی واحد​​​​​​​

4.3. پیش بینی سری زمانی تک متغیره با چند گام زمانی توسط شبکه های عصبی عمیق GRU، RNN و LSTM

     1.5.3. بررسی تفاوت های موجود بین پیش بینی سری زمانی تک متغیره با گام زمانی واحد و چندگانه

     2.5.3. پیش بینی سری زمانی تک متغیره با چند گام زمانی توسط شبکه عصبی RNN

     3.5.3. پیش بینی سری زمانی تک متغیره با چند گام زمانی توسط شبکه عصبی GRU

     4.5.3. پیش بینی سری زمانی تک متغیره با چند گام زمانی توسط شبکه عصبی LSTM

4. جلسه چهارم: پیش بینی سری های زمانی تک متغیره با شبکه های عصبی عمیق کانولوشنی (CNN)

1.4. تبدیل یک سری زمانی به یک عکس کانتوری

2.4. معرفی شبکه های عصبی کانولوشنی برای پردازش تصویر

     1.2.4. معرفی ساختار شبکه های عصبی کانولوشنی

     2.2.4. معرفی لایه های کانولوشنی

     3.2.4. معرفی لایه های پولینگ

3.4. اعمال تغییرات در شبکه های عصبی کانولوشنی برای پردازش سری های زمانی

4.4. پیاده سازی شبکه های عصبی کانولوشنی و پیش بینی سری زمانی تک متغیره

5.4. مقایسه نتایج حاصل از پیش بینی با دیگر شبکه های عصبی عمیق

5. جلسه پنجم: پیش بینی سری های زمانی چند متغیره تک هدفه

1.5. معرفی یک سری زمانی حجیم و نحوه وارد کردن آن به محیط برنامه نویسی پایتون

2.5. پیش پردازش داده ها

     1.2.5. نحوه یافتن مقادیر گم شده (missing values) و اصلاح آنها در سری زمانی چند متغیره

     2.2.5. ترسیم داده های سری زمانی چند متغیره

     3.2.5. بررسی موضوع ِDown sampling و پیاده سازی آن در محیط برنامه نویسی پایتون

     4.2.5. تبدیل سری زمانی چند متغیره تک هدفه به یک مسئله آموزش با نظارت

     5.2.5. نحوه نرمالایز کردن سری زمانی چند متغیره برای مسئله پیش بینی تک هدفه

3.5. پیش بینی سری زمانی چند متغیره تک هدفه با چند گام زمانی توسط شبکه های عصبی عمیق RNN، GRU، LSTM، CNN و MLP

     1.3.5. پیش بینی سری زمانی چند متغیره تک هدفه با چند گام زمانی توسط شبکه عصبی عمیق RNN

     2.3.5. پیش بینی سری زمانی چند متغیره تک هدفه با چند گام زمانی توسط شبکه عصبی عمیق GRU

     3.3.5. پیش بینی سری زمانی چند متغیره تک هدفه با چند گام زمانی توسط شبکه عصبی عمیق LSTM

     4.3.5. پیش بینی سری زمانی چند متغیره تک هدفه با چند گام زمانی توسطشبکه عصبی عمیق CNN

​​​​​​​     5.3.5. پیش بینی سری زمانی چند متغیره تک هدفه با چند گام زمانی توسط شبکه عصبی MLP

4.5. مقایسه نتایج پیش بینی حاصل از شبکه های عصبی مختلف

6. جلسه ششم: بررسی و برطرف کردن مشکل Over fitting

1.6. معرفی نمودار یادگیری و چگونگی استخراج آن از شبکه ی عصبی آموزش داده شده

2.6. بررسی مشکل Over fitting

3.6. بررسی راه حل های برطرف کردن مشکل Over fitting

     1.2.6. روش Drop out

     2.2.6. روش Regularization

     3.2.6. روش Batch Normalization

4.6. پیاده سازی Kernel regularizer و Drop out در معماری شبکه عصبی

5.6. پیاده سازی لایه های Batch normalization در معماری شبکه عصبی

6.6. بررسی میزان تاثیر روش های پیاده سازی شده در کاهش Overfitting

7. جلسه هفتم: پیش بینی سری های زمانی چند متغیره چند هدفه با چند گام زمانی

1.7. پیش پردازش داده ها

     1.1.7. تعیین و اعمال لگ زمانی مناسب بر سری های زمانی هدف

     2.1.7. تقسیم داده ها به دو دسته آموزش و تست

     3.1.7. اعمال تغییرات لازم برای تبدیل پیش بینی چند هدفه به یک مسئله آموزش با نظارت

     4.1.7. نرمالایز کردن داده ها برای پیش بینی چند هدفه

2.7. پیش بینی سری زمانی چند متغیره چند هدفه با چند گام زمانی توسط شبکه های عصبی عمیق RNN، GRU، LSTM، CNN و MLP

     1.2.7. پیش بینی سری زمانی چند متغیره چند هدفه با چند گام زمانی توسط شبکه عصبی عمیق RNN

     2.2.7. پیش بینی سری زمانی چند متغیره چند هدفه با چند گام زمانی توسط شبکه عصبی عمیق GRU

     3.2.7. پیش بینی سری زمانی چند متغیره چند هدفه با چند گام زمانی توسط شبکه عصبی عمیق LSTM

     4.2.7. پیش بینی سری زمانی چند متغیره چند هدفه با چند گام زمانی توسطشبکه عصبی عمیق CNN

​​​​​​​     5.2.7. پیش بینی سری زمانی چند متغیره چند هدفه با چند گام زمانی توسط شبکه عصبی MLP

3.7. مقایسه نتایج پیش بینی حاصل از شبکه های عصبی مختلف