4 لقاء افتراضي لـ PyData بيرايوس: التنبؤ الحديث بالسلاسل الزمنية

مرحباً بالجميع، بعد توقف طويل، يسرنا أن نعلن عن عودة فصل بيرايوس في PyData مع **لقاءنا الافتراضي الرابع**! انضموا إلينا يوم **الجمعة، 19 سبتمبر**، الساعة **7 مساءً**، في جلسة شيقة مع **فلاديمير-فاديم يوركوفسكي**، الذي سيقدم عرضاً حول **التنبؤ الحديث بالسلاسل الزمنية**! **الملخص:** في هذا البرنامج التعليمي، سنستعرض مجموعة من تقنيات هندسة السمات للتنبؤ بالسلاسل الزمنية باستخدام خوارزميات تعلم الآلة الشهيرة مثل XGBoost وLightGBM وCatBoost. سنبدأ بتحويل بيانات السلاسل الزمنية إلى تنسيق جدولي، ونوضح كيفية إنشاء سمات النوافذ والتأخير، بالإضافة إلى السمات التي تمثل التغيرات الموسمية والاتجاهات. سنغطي أفضل الممارسات لترميز المتغيرات الفئوية، وتحليل السلاسل الزمنية، وتحديد القيم الشاذة، وتجنب الأخطاء الشائعة مثل تسرب البيانات والتحيز المتعلق بالمعرفة المسبقة (look-ahead bias). كما سنلمس مواضيع متقدمة أكثر مثل التنبؤ بالطلب المتقطع (intermittency) والتنبؤ الهرمي (hierarchical forecasting). كما سيتطرق اللقاء إلى أساليب التحقق المتقاطع - وبشكل خاص أساليب الاختبار الخلفي (backtesting) المناسبة للبيانات الزمنية. وسنتناول لماذا لا يناسب التحقق المتقاطع التقليدي (K-fold) المجموعات البيانات المعتمدة على الزمن، ونسلط الضوء على الطرق البديلة مع مناقشة إيجابياتها وسلبياتها. وأخيراً، سنستعرض أفضل الممارسات لتقييم أداء النماذج. ويشمل ذلك نظرة شاملة على مقاييس الخطأ، ونقاش حول نقاط قوتها وضعفها والسياقات التي ينبغي استخدام كل مقياس فيها. **نبذة عن المتحدث:** فلاديمير هو عالم بيانات كبير يعمل على جميع طبقات النظام (Full-Stack)، ويتمتع بخبرة واسعة في تعلم الآلة والإحصاء والبرمجة وتكنولوجيا السحابة. تشمل اهتماماته البحثية التنبؤ بالتسعير، وتحليل اللغة الطبيعية (NLP)، والتعلم الآلي القابل للتفسير. خارج العمل، يستمتع بالسفر، وحل التحديات الخوارزمية على منصة LeetCode، والانخراط أكثر في الأبحاث المتعلقة بتعلم الآلة. LinkedIn: https://www.linkedin.com/in/vladimir-vadim-iurcovschi-6a8620163/ انضموا إلينا في اللقاء يوم الجمعة، 19 سبتمبر، الساعة 7:00 مساءً! \- https://meet\.google\.com/swk\-zamj\-gkf نتطلع لرؤيتكم! فريق التنظيم