【Udemy中英字幕】Traffic Forecasting with Python: LSTM & Graph Neural Network

使用 Python 进行交通预测：LSTM 和图神经网络

使用 Keras 进行 Python 驱动的交通预测：用于时空数据建模的 LSTM 和图卷积网络

讲师：Karthik Karunakaran

双语IT资源独家Udemy付费课程，独家中英文字幕，配套资料齐全！

用不到1/10的价格，即可享受同样的高品质课程，且可以完全拥有，随时随地都可以任意观看和分享。

您将学到什么

• 使用 Python 理解和分析真实世界的交通数据。
• 为交通数据实现并应用图卷积网络 (GCN)。
• 将 LSTM 网络与 GCN 相结合进行时间序列预测。
• 对机器学习的大型数据集进行预处理和规范化。
• 使用 TensorFlow 和 Keras 构建、训练和评估预测模型。
• 可视化并解释交通预测的模型结果。

探索相关主题

• 预测模型
• 数据科学
• 发展

要求

• 熟练掌握基本的 Python 编程。
• 使用具有互联网连接的计算机进行编码和数据分析。

描述

本课程深入介绍高级时间序列预测的世界，专门针对使用 Python 进行交通数据分析而量身定制。在整个课程中，学习者将使用 PeMSD7 数据集（一个真实世界的交通速度数据集）来开发能够高精度预测交通状况的预测模型。本课程重点介绍如何将长短期记忆 (LSTM) 网络与图卷积网络 (GCN) 相结合，使学习者能够理解和应用时空数据分析中的前沿技术。

关键主题包括数据预处理、特征工程、模型构建和评估，并通过 Python 动手编码来巩固理解。学习者还将获得使用 TensorFlow 和 Keras 等流行库进行深度学习应用的实践经验。

本课程非常适合那些希望在数据科学、机器学习或人工智能驱动行业中发展事业的人。所获得的实践技能对于智能城市规划、交通分析以及任何依赖预测模型的领域都具有很高的价值。到课程结束时，学习者不仅将掌握先进的预测技术，还将为数据科学和相关领域的工作机会做好充分准备，他们可以为交通管理和城市发展的创新解决方案做出贡献。

本课程适合哪些人：

• 对时间序列预测感兴趣的数据科学家和机器学习工程师。
• Python 程序员希望提高其在深度学习和基于图形的模型方面的技能。
• 交通、城市规划或智慧城市领域的研究人员和学生。
• 处理交通数据或其他时空数据集的专业人员。
• 寻求理解和实现先进神经网络架构（如 LSTM 和图卷积网络）的人工智能爱好者。
• 具有数据分析背景并希望将机器学习应用于现实世界数据集的个人。