کتاب Deep Learning for Time Series Cookbook: Use PyTorch and Python recipes for forecasting, classification, and anomaly detection (کتاب راهنمای عملی یادگیری عمیق برای سری‌های زمانی: با استفاده از PyTorch و پایتون برای پیش‌بینی، طبقه‌بندی و تشخیص ناهنجاری) شما را در استفاده از یادگیری عمیق برای داده‌های سری زمانی با کمک دستور العمل‌های کد ساده راهنمایی می‌کند.

شما مشکلات سری زمانی مانند پیش‌بینی، تشخیص ناهنجاری و طبقه‌بندی را پوشش خواهید داد. این کتاب یادگیری عمیق همچنین به شما نشان می‌دهد که چگونه این مشکلات را با استفاده از معماری‌های مختلف شبکه عصبی عمیق، از جمله شبکه‌های عصبی کانولوشن (CNN) یا ترانسفورماتورها حل کنید. همانطور که پیشرفت می‌کنید، از PyTorch، یک چارچوب یادگیری عمیق محبوب مبتنی بر پایتون برای ساخت راه حل‌های پیش‌بینی آماده برای تولید استفاده خواهید کرد.

در ادامه مقدمه‌ای از کتاب Deep Learning for Time Series Cookbook را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Deep Learning for Time Series Cookbook:

مقدمه‌ای بر تحلیل و پیش‌بینی سری‌های زمانی با یادگیری عمیق

انگیزه تألیف کتاب

افزایش تقاضا برای رویکردهای عملی در تحلیل و پیش‌بینی سری‌های زمانی، انگیزه اصلی نگارش کتاب Deep Learning for Time Series Cookbook بوده است. سازمان‌های مختلف در بخش‌های گوناگون برای کسب بینش از عملیات خود، بر تحلیل سری‌های زمانی تکیه می‌کنند. سازمان‌ها با استفاده از داده‌های سری‌های زمانی می‌توانند تصمیمات آگاهانه گرفته و عملکرد خود را بهینه کنند.

پیش‌بینی‌های دقیق در حوزه‌های کاربردی متعددی از جمله خرده‌فروشی یا اقتصاد، دارایی‌های ارزشمندی به شمار می‌روند. این پیش‌بینی‌ها به کاهش عدم قطعیت و برنامه‌ریزی بهتر برای عملیات کمک می‌کنند. به طور کلی، درک و استخراج بینش‌های معنادار از مجموعه مشاهداتی که به مرور زمان تکامل می‌یابند، مهارتی ارزشمند برای دانشمندان داده است.

یادگیری عمیق و سری‌های زمانی

در همین حال، یادگیری عمیق محرک پیشرفت‌های علمی و فناورانه‌ی مهم اخیر است. یادگیری عمیق زیرمجموعه‌ای از یادگیری ماشین و هوش مصنوعی است که در آن مدل‌ها بر اساس شبکه‌های عصبی مصنوعی بنا می‌شوند. یادگیری عمیق زیربنای بسیاری از فناوری‌هایی است که امروزه از آن‌ها استفاده می‌کنیم و درباره‌شان می‌شنویم، از جمله چت‌بات GPT، خودروهای خودران و ابزارهای پیشرفته‌ی تشخیص تصویر. با این حال، به کارگیری روش‌های یادگیری عمیق برای رسیدن به نتایج معنادار، نیازمند تخصص فنی قابل توجهی است.

رویکرد کتاب Deep Learning for Time Series Cookbook

این کتاب، راهنمای متخصصان و علاقه‌مندان به یادگیری ماشین است که مایلند از یادگیری عمیق برای یادگیری از داده‌های سری‌های زمانی استفاده کنند. ما دستورالعمل‌های کدنویسی واضح و آسان برای دنبال کردن را برای به کارگیری یادگیری عمیق در داده‌های سری‌های زمانی ارائه می‌دهیم. در حالی که محتوای کتاب Deep Learning for Time Series Cookbook بر اساس نیازهای افراد مبتدی تنظیم شده است، متخصصان باتجربه‌تر یادگیری ماشین نیز می‌توانند نکات ارزشمندی درباره‌ی تکنیک‌های پیشرفته‌تر بیابند. این کتاب با رویکرد «یادگیری با عمل» به شما اطمینان می‌دهد که نه تنها مفاهیم اصلی را درک می‌کنید، بلکه می‌دانید چگونه آن‌ها را به طور مؤثر به کار بگیرید.

مباحث کتاب Deep Learning for Time Series Cookbook

این کتاب چندین مسئله‌ی رایج در سری‌های زمانی را پوشش می‌دهد، از جمله پیش‌بینی، تشخیص ناهنجاری و طبقه‌بندی. این وظایف با معماری‌های مختلف شبکه‌های عصبی عمیق، از جمله شبکه‌های عصبی کانولوشنال یا ترانسفورماتورها حل می‌شوند. ما از اکوسیستم PyTorch، یک چارچوب محبوب یادگیری عمیق مبتنی بر پایتون استفاده می‌کنیم.

بهره‌مندی از کتاب Deep Learning for Time Series Cookbook

با پایان رساندن این کتاب، شما قادر خواهید بود وظایف مختلف سری‌های زمانی را با استفاده از روش‌های یادگیری عمیق حل کنید.

کتاب Deep Learning for Time Series Cookbook برای چه کسانی است؟

این کتاب در درجه‌ی اول برای افراد تازه‌کار در حوزه‌ی علم داده و کسانی که مشتاق به ورود به دنیای کاربرد یادگیری عمیق برای تحلیل و پیش‌بینی سری‌های زمانی هستند، طراحی شده است. ما فرض می‌کنیم که شما دانش ابتدایی از پایتون دارید که به شما کمک می‌کند تا به راحتی با دستورالعمل‌های کدنویسی کار کنید. همچنین، ما از کتابخانه‌های محبوب دستکاری داده مانند pandas و NumPy استفاده می‌کنیم. بنابراین، آشنایی با آن‌ها تجربه‌ی خواندن شما را بهبود می‌بخشد.

انتظار می‌رود که شما دانش اولیه‌ای درباره‌ی مفاهیم و تکنیک‌های اساسی یادگیری ماشین داشته باشید. درک مواردی مانند یادگیری تحت نظارت و بدون نظارت، و همچنین آشنایی با طبقه‌بندی، رگرسیون، اعتبارسنجی متقابل و روش‌های ارزیابی، برای بهره‌مندی هرچه بیشتر از این کتاب مهم است.

فهرست مطالب کتاب Deep Learning for Time Series Cookbook:

فصل ۱: آشنایی با سری‌های زمانی

در این فصل، با مفاهیم اصلی پشت سری‌های زمانی آشنا می‌شویم. فصل با تعریف سری‌های زمانی آغاز می‌شود و توضیح می‌دهد که چگونه می‌توانند نماینده‌ی سیستم‌های مختلف دنیای واقعی باشند. سپس به کاوش ویژگی‌های اصلی داده‌های سری‌های زمانی، از جمله روند (Trend) یا فصلی بودن (Seasonality) می‌پردازیم. همچنین با چند روش و تکنیک برای تحلیل سری‌های زمانی آشنا خواهید شد.

فصل ۲: شروع به کار با PyTorch

این فصل، نمای کلی از چگونگی استفاده از PyTorch برای توسعه‌ی مدل‌های یادگیری عمیق در پایتون ارائه می‌دهد. ابتدا شما را در فرآیند نصب PyTorch، از جمله نحوه‌ی راه‌اندازی محیط مناسب، راهنمایی می‌کنیم. پس از آن، با تعریف ساختار یک شبکه‌ی عصبی در PyTorch، شامل تعریف لایه‌ها و توابع فعال‌سازی، آشنا می‌شوید. در ادامه، روند آموزش یک شبکه‌ی عصبی را طی خواهیم کرد. با پایان این فصل، اصول استفاده از PyTorch برای یادگیری عمیق را درک خواهید کرد و آماده‌ی مقابله با وظایف پیش‌بینی با این مهارت‌های جدید خواهید بود.

فصل ۳: پیش‌بینی سری‌های زمانی تک‌متغیره

این فصل بر استفاده از PyTorch برای توسعه‌ی مدل‌های پیش‌بینی یادگیری عمیق برای سری‌های زمانی تک‌متغیره تمرکز دارد. با راهنمایی برای آماده‌سازی یک سری زمانی برای یادگیری تحت نظارت، شروع می‌کنیم.

سپس انواع مختلف شبکه‌های عصبی، از جمله شبکه‌های پیش‌خور، بازگشتی و کانولوشنال را معرفی می‌کنیم. توضیح می‌دهیم که چگونه می‌توان آن‌ها را آموزش داد و چگونه می‌توانیم از آن‌ها برای حل مشکلات پیش‌بینی سری‌های زمانی استفاده کنیم. همچنین به مسائل رایج سری‌های زمانی، مانند روند و فصلی بودن، و نحوه‌ی گنجاندن آن‌ها در مدل‌های شبکه‌ی عصبی می‌پردازیم.

فصل ۴: پیش‌بینی با PyTorch Lightning

این فصل از کتاب Deep Learning for Time Series Cookbook، اکوسیستم PyTorch Lightning را بررسی می‌کند و چگونگی استفاده از آن برای ساخت شبکه‌های عصبی با استفاده از سری‌های زمانی را توضیح می‌دهد. در مورد ماژول‌های داده و لودرهای داده (data loaders) و اینکه چگونه می‌توانند به شما در تسریع فرآیند ساخت مدل‌های پیش‌بینی کمک کنند، خواهید آموخت. همچنین TensorBoard و کال‌بک‌ها (callbacks) را بررسی می‌کنیم که برای هدایت فرآیند آموزش مفید هستند.

فصل ۵: مدل‌های پیش‌بینی جهانی

این فصل از کتاب Deep Learning for Time Series Cookbook، نحوه‌ی رسیدگی به مشکلات پیش‌بینی شامل مجموعه‌هایی از سری‌های زمانی را شرح می‌دهد. همچنین با پیچیدگی‌های مشکلات خاص در پیش‌بینی، مانند پیش‌بینی‌های چندمرحله‌ای آینده و پیش‌بینی برای چندین متغیر، آشنا خواهید شد. در نهایت، نحوه‌ی بهینه‌سازی پارامترهای یک شبکه‌ی عصبی با استفاده از Ray Tune را نیز بررسی می‌کنیم.

فصل ۶: معماری‌های پیشرفته‌ی یادگیری عمیق برای پیش‌بینی سری‌های زمانی

این فصل، راهنمای جامع برای استفاده از معماری‌های پیشرفته‌ی پیش‌بینی سری‌های زمانی ارائه می‌دهد. نحوه‌ی آموزش چندین مدل، مانند DeepAR ،N-BEATS و TFT را پوشش می‌دهیم. علاوه بر این، معماری و عملکرد درونی هر مدل و نحوه‌ی به‌کارگیری آن‌ها برای مشکلات خاص پیش‌بینی را توضیح می‌دهیم.

فصل ۷: پیش‌بینی احتمالی سری‌های زمانی

این فصل نحوه‌ی استفاده از یادگیری عمیق برای پیش‌بینی احتمالی سری‌های زمانی را شرح می‌دهد. مفهوم پیش‌بینی احتمالی و تفاوت‌های کلیدی آن با پیش‌بینی نقطه‌ای سنتی را معرفی می‌کنیم. در این فصل، چندین نمونه از مشکلات پیش‌بینی احتمالی که می‌توان با استفاده از معماری‌های خاص یادگیری عمیق حل کرد، ارائه می‌شود.

فصل ۸: یادگیری عمیق برای طبقه‌بندی سری‌های زمانی

این فصل از کتاب Deep Learning for Time Series Cookbook، بر استفاده از یادگیری عمیق برای حل مشکلات طبقه‌بندی سری‌های زمانی تمرکز دارد. مفهوم طبقه‌بندی سری‌های زمانی که شامل اختصاص یک برچسب کلاس به یک سری زمانی می‌شود، معرفی می‌گردد. نشان می‌دهیم که چگونه با استفاده از معماری‌های مختلف یادگیری عمیق، از جمله شبکه‌های عصبی باقیمانده و کانولوشنال، می‌توان به حل مشکلات طبقه‌بندی سری‌های زمانی پرداخت.

فصل ۹: یادگیری عمیق برای تشخیص ناهنجاری سری‌های زمانی

فصل ۹ به بررسی چگونگی استفاده از یادگیری عمیق برای کشف الگوهای غیرعادی در یک سری زمانی می‌پردازد. در این راستا، با دو رویکرد محبوب برای تشخیص ناهنجاری در سری‌های زمانی آشنا می‌شویم: شبکه‌های مولدِ متخاصم (Generative Adversarial Networks) و خودرمزگذارها (Auto-encoders).

سرفصل‌های کتاب Deep Learning for Time Series Cookbook:

Deep Learning for Time Series Cookbook
Contributors
About the authors
About the reviewer
Preface
Chapter 1: Getting Started with Time Series
Chapter 2: Getting Started with PyTorch
Chapter 3: Univariate Time Series Forecasting
Chapter 4: Forecasting with PyTorch Lightning
Chapter 5: Global Forecasting Models
Chapter 6: Advanced Deep Learning Architectures for Time Series Forecasting
Chapter 7: Probabilistic Time Series Forecasting
Chapter 8: Deep Learning for Time Series Classification
Chapter 9: Deep Learning for Time Series Anomaly Detection
Index
Other Books You May Enjoy

جهت دانلود کتاب Deep Learning for Time Series Cookbook می‌توانید پس از پرداخت، دریافت کنید.

فرمت کتاب	epub, PDF
ویرایش	First
ISBN	978-1-80512-923-3
تعداد صفحات	274
انتشارات	Packt
سال انتشار	2024
حجم	8.26 مگابایت, 17.16 مگابایت
نویسنده	Luís Roque, Vitor Cerqueira

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “کتاب Deep Learning for Time Series Cookbook”

کتاب Deep Learning for Time Series Cookbook

خرید کتاب Deep Learning for Time Series Cookbook:

مقدمه‌ای بر کتاب Deep Learning for Time Series Cookbook:

سرفصل‌های کتاب Deep Learning for Time Series Cookbook:

دیدگاهها

خرید کتاب Deep Learning for Time Series Cookbook:

دسته‌یندی کتاب‌ها:

کتاب های پیشنهادی:

دسته بندی پیشنهادی

اعتبار ما: