مجله علمی تفریحی بیبیس
0

دانلود کتاب پیش بینی سری های زمانی با استفاده از هوش مصنوعی مولد – استفاده از هوش مصنوعی برای پیش بینی دقیق

  • عنوان: Time Series Forecasting Using Generative AI – Leveraging AI for Precision Forecasting
  • نویسنده: Banglore Vijay Kumar Vishwas
  • حوزه:  سری زمانی
  • سال انتشار: 2025
  • تعداد صفحه: 226
  • زبان اصلی: انگلیسی
  • نوع فایل: pdf
  • حجم فایل: 13.5 مگابایت

“گورو برهما، گورو ویشنو، گورو دیو ماهشوارا، گورو ساکشات پارابراهما، تاسمای شری گوراوه نامه” – شاگردی که نسبت به گورو (معلم) خود قدردانی و احترام می کند. ممنون از استادانم که در قالب معلمان و دوستان من را راهنمایی و حمایت کردند. چند سال پیش در حالی که روی پروژه‌ای مرتبط با سری‌های زمانی کار می‌کردیم، می‌خواستیم تکنیک‌های جدیدتری در پیش‌بینی برای بهبود دقت بررسی کنیم. ظهور GenAI به ما فرصتی می دهد تا مدل های مبتنی بر LLM را برای پیش بینی بررسی کنیم. با این حال، مواد کافی برای کمک به تیم برای رسیدن به سرعت وجود نداشت. درک مقاله های تحقیقاتی برای تیمی که از سطوح مختلفی از پیشینه های ریاضی بودند دشوار بود، بنابراین ما مجبور شدیم از یک منحنی یادگیری پرشیب عبور کنیم. ما به دنبال منبعی بودیم که ما را با درک نظری مدل ها و پیاده سازی عملی با کد نمونه پایتون مجهز کند. ما نتوانستیم هیچ کدام را پیدا کنیم، بنابراین ایده نوشتن این کتاب به وجود آمد. ما این کتاب را ارائه می کنیم که نیازهای متخصصان حرفه ای را برآورده می کند تا به سرعت برسد. کسانی که مایل به غواصی عمیق تر هستند ممکن است بخواهند پس از خواندن این کتاب مقالات مرجع را مطالعه کنند. این کتاب عمدتاً برای مدل‌سازان پیش‌بینی سری‌های زمانی متوسط ​​تا پیشرفته طراحی شده است. بنابراین اگر مبتدی هستید، به شما پیشنهاد می کنیم قبل از خواندن این کتاب، یک کتاب مبتدی مانند تجزیه و تحلیل سری های زمانی دستی با پایتون توسط Vishwas و Ashish را انتخاب کنید. به پژوهشگران پیشنهاد می شود پس از مطالعه این کتاب، منابع ارائه شده را مطالعه کنند. کتاب با انگیزه یادگیری پیش بینی سری های زمانی شروع می شود. فصل 1 تکنیک های سری های زمانی مختلف، هوش مصنوعی مولد، مدل های زبان بزرگ، تکامل، و نقاط عطف تا به امروز را معرفی می کند. فصل 2 و 3 شبکه های عصبی و نظریه و پیاده سازی ترانسفورماتور را مورد بحث قرار می دهد. می توانید از این فصل ها برای تازه کردن دانش خود استفاده کنید و با استفاده از ابزارهای مدرن، پیاده سازی آنها را بیاموزید. فصل 4 تا 8 موضوعات مربوط به مدل های پایه برای پیش بینی سری های زمانی را پوشش می دهد. هر فصل یک مدل پایه جدید را مورد بحث قرار می دهد. ما با درک نمای کلی فنی، مفاهیم مرتبط و پیاده سازی با استفاده از کدهای پایتون و کتابخانه ها شروع می کنیم. تکنیک‌هایی که به درک پیش‌بینی با استفاده مجدد و استفاده مجدد از مدل‌های پایه برای NLP کمک می‌کنند، توضیح داده شده‌اند. همه فصل ها (به جز فصل 1) نحوه پیاده سازی مدل ها با مجموعه داده و کد کامل را با توضیح مورد بحث قرار می دهند. در صورت امکان و کاربرد، سعی می کنیم مدل ها را برای سناریوهای تک متغیره و چند متغیره پیاده سازی کنیم.

“Guru Brahma, Guru Vishnu, Guru Devo Maheshwara, Guru Sakshat Parabrahma, Tasmai Shri Gurave Namah” – a disciple expressing gratitude and reverence toward their guru (teacher). Grateful to my gurus who guided and supported me in the form of teachers and friends. A couple of years back while working on a project related to time series, we wanted to explore newer techniques in forecasting to improve precision. The advent of GenAI provides us with an opportunity to explore LLM-based models for forecasting. However, there was not enough material to help the team come up to speed. The research papers were difficult to understand for the team who came from diverse levels of mathematical backgrounds, so we had to go through a steep learning curve. We were looking for a resource that would equip us with the theoretical understanding of the models and practical implementation with python sample code. We could not find any, so that gave birth to the idea of writing this book. We present this book that is catered to the needs of working professionals to come up to speed. Those who wish to dive deeper may want to read the reference papers after reading this book. This book is primarily targeted toward intermediate to advanced time series forecasting modelers. So if you are a beginner, we suggest you to pick up a beginner-friendly book like Hands-on Time Series Analysis with Python by Vishwas and Ashish before reading this book. Researchers are suggested to read the provided references after going through this book. The book starts with a motivation to learn time series forecasting. Chapter 1 introduces different time series techniques, generative AI, large language models, evolution, and milestones to date. Chapters 2 and 3 discuss neural networks and transformer theory and implementation. You can use these chapters to refresh your knowledge and learn to implement them by leveraging modern tools. Chapters 4– 8 cover topics related to foundation models for time series forecasting. Each chapter discusses a new foundation model. We begin by understanding the technical overview, relevant concepts, and implementation using Python code and libraries. Techniques that help to understand forecasting by repurposing and reusing foundation models meant for NLP are explained. All chapters (except Chapter 1) discuss how to implement the models with a dataset and full code with explanation. Where possible and applicable, we try to implement the models for both univariate and multivariate scenarios.

این کتاب را میتوانید بصورت رایگان از لینک زیر دانلود نمایید.

Download: Time Series Forecasting Using Generative AI

نظرات کاربران

  •  چنانچه دیدگاه شما توهین آمیز باشد تایید نخواهد شد.
  •  چنانچه دیدگاه شما جنبه تبلیغاتی داشته باشد تایید نخواهد شد.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

بیشتر بخوانید

X
آموزش نقاشی سیاه قلم کانال ایتا