دائما بعلم البيانات مانسمع ب السلاسل الزمنية (Time Series)
ونتوقع أنها شيء معقد لكنها تحمل مفهوم سهل وواقعي للاستيعاب، وتطبيقاتها جداً واسعة وبكل مجال إلا ما تمرعليكم ! وببسطها لكم بسلسلة تغريدات مع مراجع للمزيد من الاستزاده🙏
#Time_series #السلاسل_الزمنية
ونتوقع أنها شيء معقد لكنها تحمل مفهوم سهل وواقعي للاستيعاب، وتطبيقاتها جداً واسعة وبكل مجال إلا ما تمرعليكم ! وببسطها لكم بسلسلة تغريدات مع مراجع للمزيد من الاستزاده🙏
#Time_series #السلاسل_الزمنية
في تحليل السلاسل الزمنية: مثلاً في تحليل المبيعات عن طريق النماذج الوصفية، سنكون نموذج لتحديد مكونات السلسلة من ناحية النمط الموسمية(هل المبيعات تزيد صيفا أو شتاء)، الاتجاهات (هل المبيعات في زيادة السنوات أم تتناقص) وعلاقتها بالمتغيرات الخارجية مثل تأثير حالة الطقس على المبيعات
في الصورة نرى بالأعلى السلسلة الزمنية الأصلية ومن ثم تحتها ثلاث مكونات مستخرجة: اتجاه السلسلة، وتكرار موسميتها، والتأثيرات الخارجية، العشوائية على السلسلة الزمنية.
#تحليل_السلاسل_الزمنية #time_series_analysis
#تحليل_السلاسل_الزمنية #time_series_analysis
إضافةً للتحليل الوصفي،بيانات السلاسل الزمنية تستخدم أيضا للتنبؤ بالمستقبل:على سبيل المثال، التنبؤ بأرقام المبيعات في اليوم ،الأسبوع أو الشهر القادم. وعادةً تقوم النماذج التنبؤية باستخدام مكونات السلاسل الزمنية مثل الموسمية والاتجاهات وبالإضافة معلومات أخرى لتكوين السلسلة التنبؤية
في الصورة نجد السلسلة الحمراء تمثل المبيعات الماضية، أما السلسلة الزرقاء هي نتيجة النموذج للتنبؤ بمبيعات الأيام القادمة. #التنبؤ_بالمبيعات #التنبؤ_بالسلاسل_الزمنية
#time_series_forecasting #sales_forecasting
#time_series_forecasting #sales_forecasting
عادةَ بيانات السلاسل الزمنية تحتاج إلى تنظيف أو تحويلها إلى شكل أخر. مثلا، عندما تكون بيانات المبيعات سجلت بشكل يومي لكن في فترة من الفترات سجلت بشكل أسبوعي، هنا نحتاج إلى توحيد التكرار إما إلى مبيعات يومية أو أسبوعية للاستفادة من التقنيات المستخدمة في تحليل السلاسل الزمنية.
أيضاً، مشكلة وجود قيم متطرفة مثل حدوث كمية مبيعات كبيرة كحدث عارض لم يتكرر من قبل وغير قابلة للتفسير، هنا إزالتها تساهم بتحسين تحليل السلسلة الزمنية.أخيراَ،فقدان بعض المعلومات أيضاً تشكل عاقبة لأنها سلسلة مترابطة ولا يمكن تحليلها بوجود جزء مفقود، لكن هناك طرق علمية لإكمال النقص.
متى نستخدم تقنيات التنبؤ بالسلاسل الزمنية ؟ عندما يكون لدينا متغير زمني بالبيانات، ونتيجة اليوم تتأثر بالأمس وهكذا. فاذا عاملنا البيانات بشكل طبيعي واستخدامنا تقنيات عامة تستخدم لأي نوع من البيانات مع تجاهل المتغير الزمني سنخسر الكثير من المعلومات التي قد تفيد في التنبؤ.
أمثلة لتطبيقات التنبؤ بالسلاسل الزمنية:
-التنبؤ بسعر إغلاق السهم كل يوم
-التنبؤ بمعدل المواليد في جميع المستشفيات في المدينة كل عام
-التنبؤ بمبيعات منتجات السوبرماركت لكل يوم
-التنبؤ بعدد الركاب من خلال محطة قطار كل يوم
-توقع البطالة للدولة كل ربع سنة
-توقع متوسط سعر البنزين
-التنبؤ بسعر إغلاق السهم كل يوم
-التنبؤ بمعدل المواليد في جميع المستشفيات في المدينة كل عام
-التنبؤ بمبيعات منتجات السوبرماركت لكل يوم
-التنبؤ بعدد الركاب من خلال محطة قطار كل يوم
-توقع البطالة للدولة كل ربع سنة
-توقع متوسط سعر البنزين
يمكننا استخدام نماذج إحصائية خاصة لبيانات السلاسل الزمنية، ومن أشهرها نموذج #ARIMA ،أيضاً يمكننا تحويل السلسلة الزمنية إلى التعلم بإشراف ومن ثم استخدام نماذج تعلم الآلة مثل #random_forest نموذج الغابات العشوائية، أيضا يمكن استخدام التعلم العميق مثل نموذج #LSTM
توجد مكتبات متعددة في لغة #البايثون و #R، في الرابط تجدون شرح مفصل لأنواع النماذج الإحصائية للسلاسل الزمنية machinelearningmastery.com ، وهنا تجدون كيفية تحويل السلسلة الزمنية إلى التعلم بإشراف لاستخدام نماذج تعلم الآلة machinelearningmastery.com
جاري تحميل الاقتراحات...