یادگیری پیاده سازی مدلهای پیشبینی سری زمانی
یادگیری پیاده سازی شبکه عصبی عمیق LSTM
اعتبارسنجی نتایج پیشبینی
پیادهسازی تاخیر در سری زمانی
در تمام مراحل این دوره سعی شده است تا مباحث با زبانی روان و ساده توضیح داده شود تا مخاطبان محترم بتوانند به سادگی از آموزش ارائه شده استفاده کنند، اما برای یادگیری و استفاده حداکثری از آموزشهای ارائه شده لازم است تا مخاطب با نرم افزار متلب MATLAB آشنایی داشته باشد.
امروزه علوم مرتبط با هوش مصنوعی و یادگیری ماشین کاربرد وسیعی در حوزه مهندسی، پزشکی و اقتصاد پیدا کرده است. در سالهای اخیر، الگوریتمهای یادگیری ماشین و به طور خاص یادگیری عمیق رهیافتهای جدیدی برای حل مسائل پیشبینی سری زمانی، رگرسیون، تخمین تابع و طبقهبندی داده ارائه کردهاند.
هدف از توسعه یک مدل پیشبینی سری زمانی، پیشبینی کردن مقادیر آینده بر اساس دادههای تاریخی زمان است. نمونهای از کاربردهای این مدل شامل پیشبینی مقادیر حالتهای یک سیستم در زمان آینده با استفاده از تاریخچه سری زمانی آن، پیشبینی آبوهوا و پیشبینی قیمت سهام است.
در این آموزش نحوه توسعه شبکه عصبی عمیق از نوع LSTM (Long-Short Term Memory) برای حل مسئله پیشبینی سری زمانی با استفاده از یک پایگاه داده واقعی ارائه میشود. برای این منظور نحوه بارگذاری پایگاه داده، روند تقسیمبندی دادهها به انواع آموزش و تست، نحوه مدل کردن تاخیر در فرایند پیشبینی، روند نرمال کردن دادهها، پیادهسازی و آموزش مدل پیشبین LSTM و در نهایت ارزیابی نتایج و نحوه اصلاح مدل تشریح میشود.
ایمان تاهباززاده مقدم فارغالتحصیل مقطع دکتری، رشته مهندسی مکانیک در گرایش دینامیک و کنترل از دانشگاه تهران است. ایشان برنامهنویسی با زبانهای MATLAB و ++C را از سال 1387 شروع کرد. او از علوم برنامهنویسی در پروژههای متعدد صنعتی و توسعه نرمافزار از جمله شبیهسازی سیستمها، محاسبات نرم و فینتک بهره گرفته است. وی سابقه کار در شرکتهای فناور شبیهساز نصیر، سامانههای هوشمند درفک، ایرانخودرو و مپنا را دارد. ایشان دارای 12 سال سابقه تدریس دورههای مقدماتی و پیشرفته نرمافزارهای MATLAB، Simulink، C++/Mex و علوم هوش مصنوعی در مجتمع فنی تهران و دانشگاههای معتبر کشور است و از این حیث جزو مجربترین مدرسین این حوزه به شمار میروند. وی عاشق یادگیری است و در عین حال برای تکثیر دانش خود با دیگران بسیار مصمم است.