اللقاء الافتراضي الرابع لـ PyData بيرايوس: التنبؤ الحديث بسلاسل الزمن

مرحبًا بالجميع، بعد توقف طويل، يسرنا أن نعلن عن عودة فصل بيرايوس في PyData مع لقاءنا الافتراضي الرابع **4th Virtual Meetup**! انضموا إلينا يوم **الجمعة، 19 سبتمبر**، الساعة **7 مساءً**، في جلسة شيقة مع **Vladimir-Vadim Iurcovschi**، الذي سيقدم عرضًا حول **التنبؤ الحديث بسلاسل الزمن**! **الملخص:** في هذا البرنامج التعليمي، سنستعرض مجموعة من تقنيات هندسة السمات للتنبؤ بسلاسل الزمن باستخدام خوارزميات تعلم الآلة الشهيرة مثل XGBoost وLightGBM وCatBoost. سنبدأ بتحويل بيانات السلاسل الزمنية إلى تنسيق جدولي، ونوضح كيفية إنشاء سمات النوافذ والسمات المتأخرة، بالإضافة إلى السمات التي تلتقط الموسمية والاتجاهات. سنغطي أفضل الممارسات لتشفير المتغيرات الفئوية، وتحليل السلاسل الزمنية، وتحديد القيم الشاذة، وتجنب الأخطاء الشائعة مثل تسرب البيانات والتحيز المتعلق بالتنبؤ المسبق (look-ahead bias). بالإضافة إلى ذلك، سنلمس موضوعات أكثر تقدمًا مثل التقطع (intermittency) والتنبؤ الهرمي (hierarchical forecasting). كما ستتعمق الجلسة في طرق التحقق المتقاطع - تحديدًا طرق الاختبار الخلفي (backtesting) المناسبة لبيانات السلاسل الزمنية. وسنتناول لماذا لا يناسب التحقق المتقاطع التقليدي (K-fold) مجموعات 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. **السيرة الذاتية:** فلاديمير هو عالم بيانات أولي كامل المجموعة (Senior Full-Stack Data Scientist) يتمتع بخبرة واسعة في تعلم الآلة والإحصاء والبرمجة وتكنولوجيا السحابة. تشمل اهتماماته البحثية التنبؤ والتسعير ومعالجة اللغة الطبيعية (NLP) وتعلم الآلة 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