<!--
CO_OP_TRANSLATOR_METADATA:
{
  "original_hash": "d1781b0b92568ea1d119d0a198b576b4",
  "translation_date": "2025-09-03T22:51:03+00:00",
  "source_file": "7-TimeSeries/1-Introduction/assignment.md",
  "language_code": "fa"
}
-->
# تجسم‌سازی چند سری زمانی دیگر

## دستورالعمل‌ها

شما شروع به یادگیری پیش‌بینی سری زمانی کرده‌اید و با نوع داده‌هایی که نیاز به مدل‌سازی خاص دارند آشنا شده‌اید. شما داده‌هایی درباره انرژی را تجسم‌سازی کرده‌اید. اکنون، به دنبال داده‌های دیگری باشید که از پیش‌بینی سری زمانی بهره‌مند شوند. سه مثال پیدا کنید (سعی کنید از [Kaggle](https://kaggle.com) و [Azure Open Datasets](https://azure.microsoft.com/en-us/services/open-datasets/catalog/?WT.mc_id=academic-77952-leestott) استفاده کنید) و یک نوت‌بوک برای تجسم‌سازی آن‌ها ایجاد کنید. هر ویژگی خاصی که دارند (مانند فصلی بودن، تغییرات ناگهانی یا روندهای دیگر) را در نوت‌بوک یادداشت کنید.

## معیار ارزیابی

| معیار     | عالی                                                   | کافی                                                | نیاز به بهبود                                                                           |
| --------- | ------------------------------------------------------ | -------------------------------------------------- | --------------------------------------------------------------------------------------- |
|           | سه مجموعه داده در نوت‌بوک رسم شده و توضیح داده شده‌اند | دو مجموعه داده در نوت‌بوک رسم شده و توضیح داده شده‌اند | تعداد کمی از مجموعه داده‌ها رسم یا توضیح داده شده‌اند یا داده‌های ارائه‌شده ناکافی هستند |

---

**سلب مسئولیت**:  
این سند با استفاده از سرویس ترجمه هوش مصنوعی [Co-op Translator](https://github.com/Azure/co-op-translator) ترجمه شده است. در حالی که ما تلاش می‌کنیم دقت را حفظ کنیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است شامل خطاها یا نادرستی‌ها باشند. سند اصلی به زبان اصلی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس، توصیه می‌شود از ترجمه حرفه‌ای انسانی استفاده کنید. ما مسئولیتی در قبال سوء تفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.