📘 ساخت پیش‌بینی‌های دقیق سری‌های زمانی با مدل‌های قدرتمند از پیش آموزش‌دیده!

🚀 لازم نیست هفته‌ها یا حتی ماه‌ها وقت بذاری تا مدل‌های پیش‌بینی سری زمانی رو از صفر کدنویسی و آموزش بدی. این کتاب بهت یاد میده چطور با مدل‌های از پیش آموزش‌دیده و انعطاف‌پذیر، پیش‌بینی‌های دقیق و سریع بسازی.

📌 در کتاب «Time Series Forecasting Using Foundation Models» یاد می‌گیری:

• ساختار درونی مدل‌های بزرگ زمانی چطوری کار می‌کنه

• چطور بدون هیچ آموزش اضافی، روی دیتاست خودت «زیروشات» پیش‌بینی بگیری

• چطور مدل‌های پایهٔ پیش‌بینی رو فاین‌تیون کنی

• چطور عملکرد مدل‌های بزرگ زمانی رو ارزیابی کنی

🧠 این کتاب نشونت میده چطور از مدل‌های قدرتمند سری زمانی—که از قبل روی میلیاردها نقطه داده آموزش دیدن—برای ساخت پیش‌بینی‌های دقیق استفاده کنی. مثال‌های عملی کتاب دقیقاً همون چیزیه که کمک میکنه ببینی این مدل‌ها در عمل چه توانایی‌هایی دارن. در مسیر یاد میگیری مدل‌های بنیادی زمانی چطور کار میکنن، چطور میتونی فاین‌تیون‌شون کنی و چطور روی داده‌های خودت ازشون استفاده کنی.

✨ دربارهٔ تکنولوژی

📊 پیش‌بینی سری زمانی یعنی تحلیل داده‌هایی که بر اساس زمان مرتب شدن، تا بتونی خروجی آینده رو حدس بزنی. مدل‌های پایهٔ سری زمانی مثل TimeGPT و Chronos—که روی حجم عظیمی از داده‌ها آموزش دیدن—حالا میتونن جایگزین مدل‌های دست‌ساز و زمان‌بر سنتی بشن یا حداقل کار رو برات خیلی ساده‌تر کنن.

📙 دربارهٔ کتاب

این کتاب معماری مدل‌های بزرگ زمانی رو باز میکنه و قدم‌به‌قدم نشونت میده چطور ازشون برای ساخت پیش‌بینی‌های سریع و دقیق استفاده کنی. یاد می‌گیری چطور روی داده‌های خودت مدل رو فاین‌تیون کنی، چطور زیروشات پیش‌بینی احتمالی و نقطه‌ای بسازی و حتی چطور یک LLM معمولی رو تبدیل به یک پیش‌بینی‌کنندهٔ سری زمانی کنی—اون‌هم روی یه لپ‌تاپ معمولی!

🔍 محتوای کلیدی

• مدل‌های بزرگ زمانی چطور کار می‌کنن

• پیش‌بینی زیروشات روی دیتاست‌های سفارشی

• فاین‌تیون و ارزیابی مدل‌های پایه

👤 مخاطب کتاب

اگر دیتا ساینتیستی یا مهندس ML‌ای هستی که به اصول اولیهٔ سری زمانی مسلطی، این کتاب دقیقاً همون سطحیه که دنبالش هستی. مثال‌ها همگی با پایتون هستن.

📑 فهرست مطالب

بخش ۱. خیزش مدل‌های پایه

۱. فهم مدل‌های پایه

۲. ساخت یک مدل پایه

بخش ۲. مدل‌های پایهٔ توسعه‌یافته برای پیش‌بینی

۳. پیش‌بینی با TimeGPT

۴. پیش‌بینی احتمالی زیروشات با Lag-Llama

۵. یادگیری زبان زمان با Chronos

۶. Moirai: یک ترنسفورمر همه‌منظورهٔ پیش‌بینی

۷. پیش‌بینی قطعی با TimesFM

بخش ۳. استفاده از LLMها برای پیش‌بینی سری زمانی

۸. پیش‌بینی به‌عنوان یک وظیفهٔ زبانی

۹. بازبرنامه‌نویسی یک LLM برای پیش‌بینی

بخش ۴. پروژهٔ نهایی

۱۰. پروژهٔ نهایی: پیش‌بینی بازدیدهای روزانهٔ یک وبلاگ

✍️ درباره نویسنده

مارکو پِیچِیرو توسعه‌دهندهٔ کتابخانه‌های متن‌باز پیش‌بینی در Nixtlaست. قبلاً کتاب Time Series Forecasting in Python رو نوشته و همچنین مدرس فعال در Towards Data Science، Udemy و کانال freeCodeCamp یوتیوبه.

Make accurate time series predictions with powerful pretrained foundation models!

You don’t need to spend weeks—or even months—coding and training your own models for time series forecasting. Time Series Forecasting Using Foundation Models shows you how to make accurate predictions using flexible pretrained models.

In Time Series Forecasting Using Foundation Models you will discover:

• The inner workings of large time models

• Zero-shot forecasting on custom datasets

• Fine-tuning foundation forecasting models

• Evaluating large time models

Time Series Forecasting Using Foundation Models teaches you how to do efficient forecasting using powerful time series models that have already been pretrained on billions of data points. You’ll appreciate the hands-on examples that show you what you can accomplish with these amazing models. Along the way, you’ll learn how time series foundation models work, how to fine-tune them, and how to use them with your own data.

About the technology

Time-series forecasting is the art of analyzing historical, time-stamped data to predict future outcomes. Foundational time series models like TimeGPT and Chronos, pre-trained on billions of data points, can now effectively augment or replace painstakingly-built custom time-series models.

About the book

Time Series Forecasting Using Foundation Models explores the architecture of large time models and shows you how to use them to generate fast, accurate predictions. You’ll learn to fine-tune time models on your own data, execute zero-shot probabilistic forecasting, point forecasting, and more. You’ll even find out how to reprogram an LLM into a time series forecaster—all following examples that will run on an ordinary laptop.

What's inside

• How large time models work

• Zero-shot forecasting on custom datasets

• Fine-tuning and evaluating foundation models

About the reader

For data scientists and machine learning engineers familiar with the basics of time series forecasting theory. Examples in Python.

About the author

Marco Peixeiro builds cutting-edge open-source forecasting Python libraries at Nixtla. He is the author of Time Series Forecasting in Python.

Table of Contents

Part 1. The rise of foundation

1. Understanding foundation models

2. Building a foundation model

Part 2. Foundation models developed for forecasting

3. Forecasting with TimeGPT

4. Zero-shot probabilistic forecasting with Lag-Llama

5. Learning the language of time with Chronos

6. Moirai: A universal forecasting transformer

7. Deterministic forecasting with TimesFM

Part 3. Using LLMs for time-series forecasting

8. Forecasting as a language task

9. Reprogramming an LLM for forecasting

Part 4. Capstone project

10. Capstone project: Forecasting daily visits to a blog

About the Author

Marco Peixeiro is a seasoned data science instructor who has worked as a data scientist for one of Canada’s largest banks. He is an active contributor to Towards Data Science, an instructor on Udemy, and on YouTube in collaboration with freeCodeCamp.