این برنامه ویندوز به نام Darts است که آخرین نسخه آن را می توان با عنوان Releaseminor0.22.0.zip دانلود کرد. می توان آن را به صورت آنلاین در ارائه دهنده میزبانی رایگان OnWorks برای ایستگاه های کاری اجرا کرد.
این اپلیکیشن Darts را با OnWorks به صورت آنلاین دانلود و اجرا کنید.
برای اجرای این برنامه این دستورالعمل ها را دنبال کنید:
- 1. این برنامه را در رایانه شخصی خود دانلود کنید.
- 2. در فایل منیجر ما https://www.onworks.net/myfiles.php?username=XXXXX نام کاربری مورد نظر خود را وارد کنید.
- 3. این برنامه را در چنین فایل منیجر آپلود کنید.
- 4. هر شبیه ساز آنلاین OS OnWorks را از این وب سایت راه اندازی کنید، اما شبیه ساز آنلاین ویندوز بهتر است.
- 5. از OnWorks Windows OS که به تازگی راه اندازی کرده اید، به مدیر فایل ما https://www.onworks.net/myfiles.php?username=XXXXX با نام کاربری که می خواهید بروید.
- 6. برنامه را دانلود و نصب کنید.
- 7. Wine را از مخازن نرم افزار توزیع لینوکس خود دانلود کنید. پس از نصب، می توانید روی برنامه دوبار کلیک کنید تا آنها را با Wine اجرا کنید. همچنین می توانید PlayOnLinux را امتحان کنید، یک رابط کاربری فانتزی بر روی Wine که به شما کمک می کند برنامه ها و بازی های محبوب ویندوز را نصب کنید.
Wine راهی برای اجرای نرم افزار ویندوز بر روی لینوکس است، اما بدون نیاز به ویندوز. Wine یک لایه سازگار با ویندوز منبع باز است که می تواند برنامه های ویندوز را مستقیماً بر روی هر دسکتاپ لینوکس اجرا کند. اساساً، Wine در تلاش است تا به اندازه کافی از ویندوز را از ابتدا مجدداً پیاده سازی کند تا بتواند همه آن برنامه های ویندوز را بدون نیاز به ویندوز اجرا کند.
اسکرین شات ها:
دارت
DESCRIPTION:
دارت یک کتابخانه پایتون برای دستکاری و پیش بینی آسان سری های زمانی است. این شامل مدل های مختلفی است، از کلاسیک مانند ARIMA تا شبکه های عصبی عمیق. همه مدل‌ها را می‌توان به یک شکل، با استفاده از توابع fit() و predict() مشابه scikit-learn استفاده کرد. این کتابخانه همچنین آزمایش پشتیبان مدل‌ها، ترکیب پیش‌بینی‌های چندین مدل و در نظر گرفتن داده‌های خارجی را آسان می‌کند. دارت از سری های زمانی و مدل های تک متغیره و چند متغیره پشتیبانی می کند. مدل‌های مبتنی بر ML را می‌توان بر روی مجموعه‌های داده بالقوه بزرگ حاوی سری‌های زمانی متعدد آموزش داد، و برخی از مدل‌ها پشتیبانی غنی برای پیش‌بینی احتمالی ارائه می‌دهند. توصیه می کنیم ابتدا با استفاده از ابزار مورد علاقه خود (conda، venv، virtualenv با یا بدون virtualenvwrapper) یک محیط Python تمیز برای پروژه خود با حداقل Python 3.7 راه اندازی کنید.
امکانات
- مجموعه بزرگی از مدل های پیش بینی؛ از مدل های آماری (مانند ARIMA) تا مدل های یادگیری عمیق (مانند N-BEATS)
- TimeSeries می تواند چند متغیره باشد - به عنوان مثال، به جای یک مقدار اسکالر منفرد، دارای چندین بعد متغیر با زمان باشد.
- همه مدل‌های مبتنی بر یادگیری ماشین (شامل همه شبکه‌های عصبی) از آموزش در سری‌های چندگانه (بالقوه چند متغیره) پشتیبانی می‌کنند.
- اشیاء TimeSeries می توانند (اختیاری) سری های زمانی تصادفی را نشان دهند. به عنوان مثال می توان از این برای بدست آوردن فواصل اطمینان استفاده کرد و بسیاری از مدل ها از طعم های مختلف پیش بینی احتمالی پشتیبانی می کنند.
- بسیاری از مدل‌ها در دارت‌ها از سری‌های زمانی متغیرهای کمکی (داده‌های خارجی) مشاهده شده در گذشته و/یا آینده به عنوان ورودی برای تولید پیش‌بینی پشتیبانی می‌کنند.
- علاوه بر داده‌های وابسته به زمان، TimeSeries همچنین می‌تواند حاوی داده‌های ثابت برای هر بعد باشد که می‌تواند توسط برخی مدل‌ها مورد سوء استفاده قرار گیرد.
زبان برنامه نویسی
پــایتــون
دسته بندی ها
این برنامه ای است که می تواند از https://sourceforge.net/projects/darts.mirror/ نیز دریافت شود. در OnWorks میزبانی شده است تا به آسانی از یکی از سیستم عامل های رایگان ما به صورت آنلاین اجرا شود.