📈 سری‌های زمانی خیلی فراتر از «مدل بساز و پیش‌بینی کن» هستن. تسلط واقعی روی این حوزه فقط با خوندن فرمول‌ها به دست نمیاد؛ باید شهود فنی پیدا کنی، آزمایش کنی و ببینی هر روش در عمل چطور رفتار می‌کنه. این کتاب با همراهی دو متخصص این حوزه، تو رو در کل مسیر یادگیری سری‌های زمانی همراهی می‌کنه؛ از پیش‌بینی و برآورد عدم قطعیت گرفته تا انتقال یادگیری و تکنیک‌های پیشرفته‌تر.

🔥 ویژگی‌های کلیدی کتاب

🧠 مفاهیم اصلی رو با توضیح‌های شفاف یاد میگیری تا به درک واقعی برسی، نه فقط آشنایی سطحی.

📊 با مجموعه‌داده‌های واقعی کار می‌کنی و یاد میگیری برای هر مسئله چه روشی مناسب‌تره.

🚀 از مبانی شبکه‌های عصبی شروع می‌کنی و قدم‌به‌قدم به سراغ تکنیک‌های پیشرفته در مسائل مختلف سری‌های زمانی میری.

📖 درباره کتاب

🤖 شبکه‌های عصبی ابزارهای فوق‌العاده‌ای برای پیش‌بینی سری‌های زمانی هستن، اما استفاده مؤثر از اون‌ها فقط به دانستن چند مدل محدود نمیشه. برای موفقیت باید معماری‌ها، روش‌های آموزش و شیوه‌های ارزیابی رو عمیقاً درک کنی.

🛠️ این کتاب همه این مفاهیم رو در قالبی ساختارمند و کاملاً عملی کنار هم قرار داده.

🐍 یادگیری از مبانی PyTorch شروع میشه. ابتدا شبکه‌های عصبی رو از صفر می‌سازی و بعد وارد شبکه‌های بازگشتی (RNN)، مکانیزم توجه (Attention)، ترنسفورمرها و معماری‌های پیشرفته‌ای مثل N-BEATS، N-HiTS و Temporal Fusion Transformer (TFT) میشی.

📏 در طول مسیر یاد میگیری چطور ابرپارامترها رو به شکل حرفه‌ای تنظیم کنی، از Conformal Prediction برای تخمین عدم قطعیت استفاده کنی و مدل‌ها رو با روش‌های معتبر ارزیابی کنی.

🔬 برخلاف بسیاری از کتاب‌های پیش‌بینی، این کتاب سراغ موضوعاتی میره که معمولاً یا نادیده گرفته میشن یا به‌صورت جداگانه بررسی میشن؛ مثل:

• انتقال یادگیری بین مجموعه‌های مختلف سری زمانی
• تولید داده مصنوعی با مدل‌های Diffusion
• یادگیری بازنمایی به روش Self-Supervised

📈 کتاب فقط به پیش‌بینی محدود نمیشه و در فصل‌های پایانی موضوعاتی مثل طبقه‌بندی، خوشه‌بندی، تشخیص ناهنجاری و ساخت Embedding برای مدل‌سازی سری‌های زمانی در مقیاس بزرگ رو هم پوشش میده.

⚙️ رویکرد کلی کتاب کاملاً عملیه؛ یعنی تئوری در کنار آزمایش، پیاده‌سازی و تجربه واقعی ارائه میشه تا بتونی این تکنیک‌ها رو در پروژه‌های واقعی با اطمینان به کار بگیری.

📑 چیزهایی که یاد می‌گیری

🧱 با استفاده از PyTorch و PyTorch Lightning شبکه‌های عصبی مخصوص سری‌های زمانی رو بسازی، آموزش بدی و ارزیابی کنی.

🎯 مدل‌ها رو با بهینه‌سازی بیزی (Bayesian Optimization) تنظیم کنی و با متریک‌ها و استراتژی‌های مناسب اعتبارسنجی انجام بدی.

🔄 از شبکه‌های پیش‌خور و بازگشتی به سمت ترنسفورمرها و مدل‌هایی مثل N-BEATS، N-HiTS و TFT حرکت کنی.

🌍 یاد بگیری مدل‌های سراسری (Global Models) چطور از انتقال یادگیری و یادگیری بین چندین سری زمانی استفاده می‌کنن.

🧪 با استفاده از مدل‌های Diffusion و روش‌های Self-Supervised داده‌ها و بازنمایی‌های مصنوعی تولید کنی.

📊 روش‌های مدرن طبقه‌بندی، خوشه‌بندی و تشخیص ناهنجاری رو روی سری‌های زمانی پیاده‌سازی کنی.

🎯 این کتاب برای چه کسانی مناسبه؟

👨‍💻 تحلیلگران داده، دانشمندان داده و دانشجوهایی که می‌خوان یاد بگیرن چطور از یادگیری عمیق برای حل مسائل واقعی پیش‌بینی سری‌های زمانی استفاده کنن.

📚 کتاب فرض می‌کنه با مفاهیم پایه آمار و مدل‌سازی آشنا هستی، اما نیازی به دانش عمیق سری‌های زمانی نداری.

🐍 آشنایی با Python لازمه، ولی هیچ پیش‌نیازی درباره PyTorch فرض نشده.

🚀 هدف اصلی کتاب اینه که حتی افرادی با تجربه کم یا بدون تجربه در یادگیری عمیق سری‌های زمانی هم بتونن وارد این حوزه بشن.

📑 فهرست مطالب

فصل 1. سری‌های زمانی برای همه

فصل 2. چالش‌های سری‌های زمانی

فصل 3. ارزیابی مدل‌های سری زمانی

فصل 4. مبانی PyTorch

فصل 5. معماری‌های ساده شبکه عصبی

فصل 6. بهینه‌سازی

فصل 7. Conformal Prediction

فصل 8. شبکه‌های عصبی بازگشتی

فصل 9. ترنسفورمرها

فصل 10. سایر ساختارهای عصبی

فصل 11. انتقال یادگیری و مدل‌سازی سراسری

فصل 12. داده‌های مصنوعی سری زمانی

فصل 13. مدل‌های Diffusion

فصل 14. طبقه‌بندی سری‌های زمانی

فصل 15. خوشه‌بندی سری‌های زمانی

فصل 16. Embedding برای سری‌های زمانی

فصل 17. تشخیص ناهنجاری به روش‌های نظارت‌شده و بدون نظارت

فصل 18. یادگیری Self-Supervised برای سری‌های زمانی

✍️ درباره نویسندگان

👨‍🔬 گریم دیویدسون سرپرست تیم علم داده در Retail Express است و چارچوب پیش‌بینی تقاضای این شرکت را بر اساس جدیدترین روش‌های یادگیری آماری بازطراحی کرده است.

🧠 پیشینه علمی او از علوم اعصاب شناختی شروع شده؛ جایی که روی پردازش پاداش‌های ناخودآگاه و تصمیم‌گیری انسان تحقیق می‌کرد. بعدها وارد حوزه تحلیل داده‌های تبلیغاتی و سپس پیش‌بینی تقاضا شد.

🌐 او عضو فعال چندین جامعه تخصصی علم داده در Slack و Discord است و گاهی در مسابقات پیش‌بینی شرکت می‌کند.

📚 در اواخر سال ۲۰۲۲ انتشارات Packt از او دعوت کرد کتابی را بنویسد که خودش سال‌ها قبل، زمانی که درگیر دنیای ARIMA و پیش‌بینی تقاضا شده بود، آرزو داشت وجود داشته باشد.

👨‍🔬 لی ما فیزیکدانی است که بعدها وارد دنیای علم داده شد و تخصص اصلی او پیش‌بینی سری‌های زمانی است.

📈 اگرچه نگاهش بیشتر پژوهشی و تئوریک است، اما روی پروژه‌های واقعی در صنایع مختلفی مثل مسکن، لجستیک، تجارت الکترونیک و تولید فعالیت کرده است.

🏢 او پروژه‌های متعددی را در حوزه پیش‌بینی طراحی و اجرا کرده و تخصصش ترکیب مدل‌های پیشرفته سری زمانی با تحلیل‌های کاربردی برای تصمیم‌گیری‌های کسب‌وکار است.

🎥 لی همچنین آموزش‌های متعددی درباره پیش‌بینی سری‌های زمانی به‌صورت آنلاین تولید می‌کند و زمانی به این پروژه پیوست که گریم دیویدسون از او برای همکاری در نگارش این کتاب دعوت کرد.

Time series is far more than fit-predict forecasting. Real mastery comes from intuition and is built through experimentation. Walk the full range with two practitioners: forecasting, conformal prediction, transfer learning, and beyond.

Key Features

• Grasp core concepts through clear explanations that build genuine understanding rather than surface familiarity
• Work with realistic datasets and develop the judgement to choose the right approach for your problem
• Progress from neural network fundamentals to advanced techniques across a full range of time series challenges.

Book Description

Neural networks are powerful tools for time-series forecasting, but applying them effectively requires both practical experience and a clear understanding of architectures, training strategies, and evaluation methods. This book brings these ideas together in a structured and practical way.

Starting with PyTorch fundamentals, you will build neural networks from scratch and progress through recurrent networks, attention mechanisms, and transformers before exploring forecasting architectures such as N-BEATS, N-HiTS, and the Temporal Fusion Transformer. Along the way, you will learn robust hyperparameter tuning, conformal prediction for uncertainty estimation, and reliable evaluation practices.

Unlike most forecasting books, this text also explores topics often overlooked or treated separately, including transfer learning across collections of series, synthetic data generation with diffusion models, and self-supervised representation learning. Beyond forecasting, later chapters cover classification, clustering, anomaly detection, and embeddings for large-scale time-series modeling.

Throughout, the focus is pragmatic: theory is reinforced through experimentation and implementation so you can apply these methods confidently to real-world time-series problems.

What you will learn

• Build, train, and evaluate neural networks for time series using PyTorch and PyTorch Lightning. Tune models with Bayesian optimisation and validate them with suitable metrics and strategies.
• Progress from feedforward and recurrent networks to transformers and models such as N-BEATS, N-HiTS, and TFT.
• Learn how global models use cross- and transfer learning across many series.
• Generate synthetic series and representations with diffusion and self-supervised methods.
• Apply modern approaches to classification, clustering, and anomaly detection.

Who this book is for

This book is for data analysts, scientists, and students who want to know how to apply deep learning methods to time-series forecasting problems with PyTorch for real-world business problems.

While the book assumes some understanding of statistics and modeling, you won’t need in-depth knowledge of time series to follow along. Some familiarity with Python is important, but we do not assume any prior knowledge of PyTorch.

The main goal of this book is to be accessible to those with little or no experience with deep learning methods in time series.

Table of Contents

1. Time Series for Everyone
2. The Challenge of Time Series
3. Evaluating Time-Series Models
4. PyTorch Fundamentals
5. Simple Neural Architecture
6. Optimization
7. Conformal Prediction
8. Recurrent Neural Networks
9. Transformers
10. Other Neural Structures
11. Transfer Learning and Global Modelling
12. Synthetic Time Series Data
13. Diffusion Models
14. Time Series Classification
15. Time Series Clustering
16. Embeddings for Time Series
17. Supervised and Unsupervised Anomaly Detection
18. Self-Supervised Learning for Time Series

About the Author

Graeme Davidson is a Lead Data Scientist at Retail Express, where he redesigned the company's demand forecasting framework in line with contemporary statistical learning practices. His background spans cognitive neuroscience, researching implicit reward processing and human decision-making, through advertising analytics to research-focused demand forecasting. He is an active contributor to several data science Slack and Discord communities, an occasional competitor in forecasting competitions, and was approached by Packt in late 2022 to write the book he wished had existed when he first fell down an ARIMA rabbit hole chasing answers about how supermarkets actually forecast demand, and how a quantitative researcher models financial markets.

Lei Ma is a physicist-turned data scientist specializing in time series forecasting. He is theorist but has tackled real-world forecasting challenges across a variety of industries like housing, logistics, ecommerce, and manufacturing. Lei has led and delivered numerous forecasting projects where he combines deep expertise in building advanced time series models with a strategic approach to delivering holistic business insights. Lei creates time series forecasting tutorials online and joined the venture when Graeme approached him to collaborate on this book.