4 اجتماع افتراضي لـ PyData بيرايوس: التنبؤ الحديث بمتسلسلات الوقت

مرحبًا بالجميع، بعد فترة توقف طويلة، يسرنا أن نعلن عن عودة فصل بيرايوس في PyData مع **الاجتماع الافتراضي الرابع**! انضموا إلينا يوم **الجمعة، 19 سبتمبر**، الساعة **7 مساءً**، في جلسة شيقة مع **فلاديمير-فاديم يوركوفسكي**، الذي سيقدم عرضًا حول **التنبؤ الحديث بمتسلسلات الوقت**! **الملخص:** في هذا البرنامج التعليمي، سنستعرض مجموعة من تقنيات هندسة السمات للتنبؤ بمتسلسلات الوقت باستخدام خوارزميات تعلم الآلة الشهيرة مثل XGBoost وLightGBM وCatBoost. سنبدأ بتحويل بيانات المتسلسلة الزمنية إلى تنسيق جدولي، ونوضح كيفية إنشاء سمات النافذة والسمات المؤجلة، فضلاً عن السمات التي تلتقط الموسمية والاتجاهات. وسنغطي أفضل الممارسات لترميز المتغيرات الفئوية، وتحليل تفكيك المتسلسلة الزمنية، وتحديد القيم الشاذة، وتجنب الأخطاء الشائعة مثل تسرب البيانات والتحيز المتعلق بالمعرفة المسبقة (look-ahead bias). بالإضافة إلى ذلك، سنلمس مواضيع أكثر تقدمًا مثل التنبؤ بالطلب المتقطع (intermittency) والتنبؤ الهرمي (hierarchical forecasting). كما ستتعمق الجلسة في طرق التحقق المتقاطع - تحديدًا طرق الاختبار الخلفي (backtesting) المناسبة لبيانات المتسلسلات الزمنية. وسنتناول أسباب عدم ملاءمة طريقة التحقق المتقاطع التقليدية (K-fold) لمجموعات البيانات المعتمدة على الزمن، ونسلط الضوء على الطرق البديلة مع مناقشة مزايا وعيوب كل منها. وأخيرًا، سنستعرض أفضل الممارسات لتقييم أداء النموذج. ويشمل ذلك نظرة شاملة على مقاييس الخطأ، ومناقشة نقاط القوة والضعف فيها، والسياقات التي ينبغي استخدام كل مقياس فيها. **نبذة عن المتحدث:** فلاديمير هو عالم بيانات أولي متعدد التخصصات، يتمتع بخبرة واسعة في تعلم الآلة والإحصاءات والبرمجة وتكنولوجيات الحوسبة السحابية. تشمل اهتماماته البحثية التنبؤ، وتحديد الأسعار، ومعالجة اللغة الطبيعية (NLP)، وتعلم الآلة القابل للتفسير. خارج العمل، يستمتع بالسفر، وحل التحديات الخوارزمية على موقع LeetCode، ومواصلة التعمق في أبحاث تعلم الآلة. LinkedIn: https://www.linkedin.com/in/vladimir-vadim-iurcovschi-6a8620163/ انضموا إلينا في الاجتماع يوم الجمعة، 19 سبتمبر، الساعة 7:00 مساءً! \- https://meet\.google\.com/swk\-zamj\-gkf نتطلع لرؤيتكم! فريق التنظيم