كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعي

التعلم الآلي للسلاسل الزمنية

Machine Learning for Time Series

متوسط20 دقيقة

أهداف الدرس

  • تحويل السلسلة إلى مسألة انحدار بخصائص التأخير
  • فهم التنبؤ التكراري
  • تجنب تسرب البيانات

خصائص التأخير

نبني جدولاً كل صف فيه القيم y_{t−1}...y_{t−p} وتأخير الموسم y_{t−m} وخصائص التقويم (sin/cos لليوم والشهر) والمتغيرات الخارجية، والهدف y_t.

y_t = f(y_{t-1},\dots,y_{t-p},\,y_{t-m},\,\text{calendar}_t,\,x_t)+\varepsilon_t

التنبؤ التكراري

للتنبؤ بعدة خطوات يتنبأ النموذج بالخطوة الأولى ثم يستخدمها كتأخير للخطوة التالية، فتتراكم الأخطاء مع الأفق.

حدود الأشجار

الغابة العشوائية وXGBoost لا تستطيع التنبؤ بقيم خارج مدى التدريب، لذلك تفشل مع الاتجاه القوي. الحل: خيار «الفرق الأول» للهدف في المختبر، فيتعلم النموذج التغيرات ثم يجمعها.

النماذج المتاحة

في المتصفح: الانحدار الخطي وRidge وKNN وSVR وشجرة القرار والغابة العشوائية وGradient Boosting ومعزّز بأسلوب XGBoost مكتوب بـ JavaScript. في محرك Python: scikit-learn ومكتبة XGBoost الرسمية.

الخلاصة

  • الخصائص من الماضي فقط
  • الأشجار لا تستقرئ: فاضل الهدف عند وجود اتجاه

طبّق الدرس في نماذج التنبؤ

للاستزادة

  1. FPP3 الفصل 7: Time series regression models
  2. scikit-learn: RandomForestRegressor