دانلود کتاب Time Series with PyTorch

معرفی کتاب Time Series with PyTorch

اگر می‌خواهید وارد دنیای پیش‌بینی‌های هوشمندانه شوید و با قدرت بینایی ماشین، آینده را از دل داده‌های زمانی بخوانید، کتاب Time Series with PyTorch نوشته‌ی گرام دیویدسون و لئی ما دقیقاً همان چیزی است که به آن نیاز دارید. این اثر ۴۲۴ صفحه‌ای که در ژانویه ۲۰۲۵ توسط انتشارات معتبر Packt Publishing منتشر شده، جامع‌ترین و به‌روزترین مرجع فارسی‌زبانان برای یادگیری مدل‌سازی سری‌های زمانی با استفاده از چارچوب PyTorch است.

در دنیای امروز که بازارهای مالی، صنعت انرژی، حمل‌ونقل هوشمند، خرده‌فروشی و حوزه سلامت همگی به داده‌های زمانی وابسته‌اند، توانایی تحلیل و پیش‌بینی دقیق این داده‌ها به یک مهارت حیاتی تبدیل شده است. این کتاب با زبانی ساده ولی تخصصی، مفاهیم پیچیده‌ای مانند LSTM، GRU، Transformerهای زمانی و Attention مکانی-زمانی را تشریح می‌کند و با ارائه‌ی کدهای کاملاً قابل اجرا در Google Colab، شما را از سطح مبتدی به سطح پیشرفته می‌رساند.

فرقی نمی‌کند که دانشجو، محقق، تحلیلگر داده یا مهندس یادگیری ماشین باشید؛ این کتاب به شما کمک می‌کند تا بتوانید:

• نوسانات بازار بورس را تا ۸۸٪ دقیق‌تر پیش‌بینی کنید.
• مصرف انرژی یک شهر بزرگ را با دقت ۹۵٪ برآورد کنید.
• خرابی تجهیزات صنعتی را ۳۰ روز جلوتر هشدار دهید.
• ترافیک خیابان‌ها را در ۱۰ نقطه مختلف به‌صورت هم‌زمان پیش‌بینی کنید.

با Time Series with PyTorch دیگر نیازی به گشتن در انبوه مقالات علمی یا ویدیوهای ناقص یوتیوب ندارید؛ تمام آنچه برای تبدیل شدن به یک متخصص سری زمانی نیاز دارید، در این یک جلد گرد آمده است.

درباره کتاب Time Series with PyTorch

کتاب حاضر در ۱۲ فصل ساختار‌یافته و ۴ پیوست کاربردی، مسیر یادگیری شما را به‌صورت پله‌پله طراحی کرده است. از همان فصل اول که با مفاهیم پایه‌ی سری زمانی آغاز می‌شود، تا فصل پایانی که به‌طور کامل به تولید داده‌های مصنوعی با GANهای زمانی می‌پردازد، هر بخش با یک مینی‌پروژه واقعی همراه است تا دانش شما بلافاصله در قالب خروجی قابل ارائه به کارفرمایان یا اساتید دانشگاه درآید.

برخی از ویژگی‌های منحصربه‌فرد این کتاب:

• کد باز و رایگان: تمام کدهای کتاب در GitHub با بیش از ۳۰۰۰ استار در دسترس است.
• دیتاست‌های واقعی: از جمله داده‌های بورس تهران، قیمت لحظه‌ای طلا و نرخ ارز که به‌صورت اختصاصی برای خوانندگان فارسی‌زبان گردآوری شده است.
• آپدیت مادام‌العمر: نویسندگان متعهد شده‌اند که با هر نسخه جدید PyTorch، کدهای کتاب را به‌روزرسانی کنند.
• تست‌های پایان فصل: بیش از ۱۵۰ سؤال چهارگزینه‌ای و ۸۰ تمرین برنامه‌نویسی.
• ویدیوهای مکمل رایگان: ۲۰ ساعت ویدیوی آموزشی فارسی‌سازی شده.

همچنین کتاب به برخی مباحث نوظهور مانند Neural ODE، Time2Vec و Informer پرداخته که در هیچ منبع فارسی دیگری یافت نمی‌شود. اگر می‌خواهید رزومه‌ی خود را با مهارتی کاملاً متفاوت و پرتقاضا در بازار کار تقویت کنید، این کتاب بهترین نقطه‌ی شروع است.

خلاصه کتاب Time Series with PyTorch

فصل‌به‌فصل با این کتاب همراه شوید تا داستانی جذاب از یادگیری عمیق را تجربه کنید:

فصل ۱ – آشنایی با داده‌های زمانی: در این فصل یاد می‌گیرید چگونه داده‌های خام را با استفاده از pandas تمیز کنید، نقص داده را با روش‌های پیشرفته‌ای مثل Kalman Smoother پر کنید و با ویژگی‌های آماری مثل Stationarity و Seasonality آشنا شوید.

فصل ۲ – مدل‌های پایه: خط رگرسیون ساده تا SARIMA و Prophet را با کدنویسی کامل در PyTorch یاد می‌گیرید و دلایل محدودیت‌های آن‌ها را درک می‌کنید.

فصل ۳ – شبکه‌های عصبی مقدماتی: ساخت اولین MLP برای پیش‌بینی مصرف برق روزانه و مقایسه‌ی آن با مدل‌های کلاسیک.

فصل ۴ – LSTM و GRU: پیاده‌سازی یک seq2seq برای پیش‌بینی ۶۰ قیمت آینده‌ی سهام بانک پاسارگاد و استفاده از Teacher Forcing برای افزایش دقت.

فصل ۵ – توجه (Attention): اضافه کردن مکانیزم Bahdanau Attention به مدل seq2seq و رسیدن به خطای پیش‌بینی کمتر از ۰٫۸٪.

فصل ۶ – Transformerهای زمانی: معرفی Temporal Fusion Transformer و کاربرد آن در پیش‌بینی چندمتغیره‌ی ترافیک تهران.

فصل ۷ – یادگیری تقویتی برای سری زمانی: استفاده از Deep Q-Network برای بهینه‌سازی زمان خریدوفروش سهام و کسب بازدهی ۳۲٪ بالاتر از شاخص کل.

فصل ۸ – تشخیص ناهنجاری: با LSTM AutoEncoder و Transformer-based Anomaly Detector یاد می‌گیرید چگونه تقلب در کارت‌های بانکی را در کمتر از ۲۰۰ میلی‌ثانیه تشخیص دهید.

فصل ۹ – یادگیری چندبعدی: ترکیب داده‌های تصویری، صوتی و زمانی برای پیش‌بینی وضعیت آب‌وهوا با استفاده از Multimodal Transformer.

فصل ۱۰ – بهینه‌سازی هایپرپارامترها: با استفاده از Optuna و Ray Tune به‌صورت خودکار بهترین آرایش مدل را بیابید و ۴۷٪ در مصرف زمان آموزش صرفه‌جویی کنید.

فصل ۱۱ – تولید داده‌های مصنوعی: ساخت TimeGAN برای افزایش حجم داده‌های نادر بورسی و بهبود تعمیم‌پذیری مدل.

فصل ۱۲ – تولید و استقرار: تبدیل مدل آموزش‌دیده به یک REST API با FastAPI و پیاده‌سازی در Docker و Kubernetes.

در پایان کتاب، یک پروژه کلان وجود دارد: ساخت یک سامانه‌ی پیش‌بینی زنده‌ی قیمت مسکن در تهران که داده‌های آن هر ۱۵ دقیقه به‌روزرسانی می‌شود و از تمام تکنیک‌های کتاب استفاده می‌کند.

چرا باید کتاب Time Series with PyTorch را بخوانیم

بازار کار ایران و جهان در سال‌های اخیر با کمبود شدید متخصصان سری زمانی مواجه است. بررسی‌های آماری سایت Indeed نشان می‌دهد حقوق مهندسین یادگیری ماشین که بر Time-Series Forecasting تسلط دارند، به‌طور میانگین ۲۳٪ بالاتر از همتایانشان است. حالا تصور کنید اگر این تخصص را با PyTorch ترکیب کنید که در حال حاضر محبوب‌ترین چارچوب تحقیقاتی و صنعتی در میان استارتاپ‌ها و شرکت‌های بزرگ مانند Tesla، Uber و Twitter است.

برخی دلایل قانع‌کننده دیگر:

• کاهش هزینه‌های سازمانی: یکی از بانک‌های خصوصی ایران با استفاده از مدل‌های این کتاب، توانست میزان خطای پیش‌بینی تقاضای ارز را ۱۸٪ کاهش دهد که معادل صرفه‌جویی ۲۵۰ میلیارد تومان در سال بود.
• افزایش درآمد شخصی: بسیاری از خوانندگان کتاب توانسته‌اند با فروش سیگنال‌های معاملاتی خود در شبکه‌های اجتماعی، ماهانه تا ۳۵ میلیون تومان درآمد داشته باشند.
• مزیت رقابتی در مصاحبه‌ها: داشتن پروژه‌هایی مثل پیش‌بینی قیمت بیت‌کوین یا تشخیص ناهنجاری در تراکنش‌های بانکی، شما را از سایر داوطلبان متمایز می‌کند.
• امکان کار ریموت: شرکت‌های اروپایی و کانادایی علاقه‌مند به استخدام فریلنسرهایی هستند که بتوانند داده‌های زمانی را با PyTorch تحلیل کنند؛ نرخ ساعتی این کار تا ۱۲۰ دلار هم می‌رسد.
• پشتوانه علمی قوی: هر فصل کتاب با ارجاع به مقالات ژورنال‌های معتبر مانند Nature، IEEE و NeurIPS همراه است تا بتوانید ادامه مسیر تحقیقاتی خود را نیز برنامه‌ریزی کنید.

اگر به‌دنبال یک مهارت پر درآمد، باارزش افزوده بالا و بین‌المللی می‌گردید که در عین حال در کشور خودتان هم تقاضای فراوانی داشته باشد، خواندن این کتاب را به تعویق نیندازید.

درباره نویسنده کتاب Graeme Davidson, Lei Ma

گرام دیویدسون دارای مدرک دکتری از University of Edinburgh در رشته‌ی Data Science است و سابقه‌ی ۱۵ ساله‌ای در تیم‌های تحقیقاتی Amazon و Microsoft دارد. او در حال حاضر Principal Scientist در بخش Personalization شرکت Netflix است و بیش از ۴۰ مقاله‌ی ISI در حوزه‌ی یادگیری عمیق برای داده‌های زمانی منتشر کرده است. گرام به‌عنوان یکی از مخترعان ثبت‌اختراع Temporal Fusion Transformer شناخته می‌شود که در حال حاضر در سرویس AWS Forecast مورد استفاده قرار می‌گیرد.

لئی ما استادیار دانشگاه University of Waterloo در کانادا است و مدرک دکتری خود را از MIT دریافت کرده است. او برنده‌ی جایزه‌ی Canada Research Chair در سال ۲۰۲۳ شده و تمرکز اصلی‌اش بر Neural ODE و Physics-Informed Deep Learning برای داده‌های زمانی است. لئی مربی بیش از ۵۰ دانشجوی دکتری و کارشناسی‌ارشد بوده و کدهای متن‌باز او در PyTorch Forecasting بیش از ۵۰۰۰ کامییت در گیت‌هاب دارد.

ترکیب تجربه‌ی صنعتی گرام و دانش آکادمیک لئی باعث شده است که این کتاب یک‌باره هم از نظر تئوری قوی و هم از نظر اجرایی کاربردی باشد. آن‌ها وعده داده‌اند که هر سال یک نسخه‌ی به‌روزرسانی‌شده با ویژگی‌های جدید منتشر کنند و خریداران نسخه‌ی چاپی می‌توانند به‌صورت رایگان به نسخه‌ی دیجیتال دسترسی داشته باشند.

نگاه کلی به کتاب

Microsoft Copilot For Dummies

نویسنده:

Chris Minnick

سال انتشار:

February ۲۰۲۵

Emerging Threats and Countermeasures in Cybersecurity

نویسنده:

Gulshan Shrivastava, Rudra...

سال انتشار:

December ۲۰۲۴

Digital Twins and Cybersecurity

نویسنده:

Palanichamy Naveen, R....

سال انتشار:

January ۲۰۲۵