LSTM for Time Series
📘 ডিপ লার্নিং দিয়ে পূর্বাভাস।
🌐 Deep-learning forecasting.
⏱️
1
ধারণা · Concept
কী এবং কেন📘 বাংলা ব্যাখ্যা:
ডিপ লার্নিং দিয়ে পূর্বাভাস।
ডিপ লার্নিং দিয়ে পূর্বাভাস।
🌐 English:
Deep-learning forecasting.
Deep-learning forecasting.
🗂 কোথায় পড়ে
৩. মেশিন লার্নিং → টাইম সিরিজ → LSTM for Time Series
🎯 এই শাখার লক্ষ্য
Decompose, test stationarity, forecast
🧰 টুলস
statsmodels, Prophet
🪜
ধাপে ধাপে শিখুন · Step-by-step
কেন শিখবেন → কীভাবে শিখবেন → উদাহরণ → সাধারণ ভুল💡 কেন গুরুত্বপূর্ণ?
বহু ভেরিয়েবল ও জটিল অরৈখিক সময়-নির্ভরতা ধরতে ডিপ লার্নিং।
- ধাপ 1স্লাইডিং উইন্ডো: গত ৩০ দিন → পরের ৭ দিন
- ধাপ 2ডেটা স্কেল করুন; সময়ক্রম রেখে train/val/test ভাগ
- ধাপ 3LSTM লেয়ার (Keras/PyTorch) + Dense আউটপুট; EarlyStopping
- ধাপ 4সরল বেসলাইনের (naive, ARIMA) সাথে তুলনা বাধ্যতামূলক
🧪 বাস্তব উদাহরণ
তাপমাত্রা, আর্দ্রতা, বাতাস থেকে পরের ৩ দিনের AQI পূর্বাভাসে মাল্টিভেরিয়েট LSTM।
⚠️ সাধারণ ভুল
বেসলাইনের চেয়ে খারাপ LSTM প্রকাশ করা—আগে তুলনা করুন।
🔑 মূল শব্দ (Key terms)
LSTMsliding windowsequencemultivariate forecasting
3
সাব-টপিক ও বিস্তারিত · Sub-topics
টপিক → সাব-টপিক → সাব-সাব টপিক6.1 সিকোয়েন্স উইন্ডো তৈরি
6.2 LSTM সেল6.2.1 দীর্ঘ স্মৃতি
6.3 মাল্টিভেরিয়েট ফোরকাস্টিং
🎬
ভিডিও · Videos (বাংলা ও English)
ক্লিক করলে সাইটের ভেতরেই ফ্লোটিং প্লেয়ারে চলবে · ভিডিও MySQL-এ সংরক্ষিত📺 আরও খুঁজুন
💻
হাতে-কলমে · Try it (Time Series)
এডিট করে Run চাপুন · Ctrl+Enterimport numpy as np, pandas as pd, matplotlib.pyplot as plt
idx=pd.date_range("2022-01-01",periods=36,freq="MS"); t=np.arange(36)
temp=pd.Series(26+0.05*t+5*np.sin(2*np.pi*t/12)+np.random.default_rng(0).normal(0,.6,36),idx)
roll=temp.rolling(12).mean(); diff=temp.diff()
print(temp.head()); print("Seasonal lag-12 autocorrelation:",round(temp.autocorr(12),3))
temp.plot(label="monthly temp"); roll.plot(label="12-mo rolling mean"); plt.legend(); plt.title("Trend + seasonality"); plt.show()❓
সেল্ফ-চেক · Self check
1. “দীর্ঘ স্মৃতি” — এটি কোন সাব-টপিকের বর্ণনা?
🔗
সংযুক্ত কনসেপ্ট · Connected concepts
এই শাখার অন্যান্য অংশ
1. Time Series Components2. Stationarity3. Moving Average & Smoothing4. ARIMA5. Prophet6. LSTM for Time Series