کتاب از داده تا پیش‌بینی افول: مطالعه موردی کاهش مسافران تاکسی‌های نیویورک با سری‌های زمانی
, ,

کتاب از داده تا پیش‌بینی افول: مطالعه موردی کاهش مسافران تاکسی‌های نیویورک با سری‌های زمانی

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperCourse-0000018413 دسته: , , برچسب: , , , , , , , , , , , , , , , ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب از داده تا پیش‌بینی افول: مطالعه موردی کاهش مسافران تاکسی‌های نیویورک با سری‌های زمانی

موضوع کلی: مدل‌سازی و پیش‌بینی در علم داده

موضوع میانی: تحلیل سری‌های زمانی پیشرفته برای پیش‌بینی روندهای کسب و کار

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه‌ای بر علم داده و پیش‌بینی
  • 2. مروری بر سری‌های زمانی و کاربردهای آن در کسب و کار
  • 3. معرفی مطالعه موردی: کاهش مسافران تاکسی‌های نیویورک
  • 4. اهمیت پیش‌بینی روندهای کسب و کار برای تصمیم‌گیری
  • 5. مبانی آمار و احتمالات برای تحلیل سری‌های زمانی
  • 6. آشنایی با نرم‌افزارها و زبان‌های برنامه‌نویسی مورد استفاده (Python, R)
  • 7. نصب و پیکربندی ابزارهای مورد نیاز
  • 8. آشنایی با کتابخانه‌های اصلی سری‌های زمانی (Pandas, Statsmodels, Prophet)
  • 9. وارد کردن و پاکسازی داده‌های اولیه (Daily Passenger Counts 2017-2019)
  • 10. بررسی و تحلیل اجمالی داده‌ها (EDA)
  • 11. مصورسازی داده‌های سری زمانی (Time Series Visualization)
  • 12. تشخیص الگوهای زمانی (Trends, Seasonality, Cyclical patterns)
  • 13. تجزیه و تحلیل روند (Trend Analysis)
  • 14. تشخیص فصلی‌بودن (Seasonality Detection)
  • 15. تجزیه سری زمانی به اجزاء (Time Series Decomposition)
  • 16. آزمون‌های ایستایی (Stationarity Tests): ADF, KPSS
  • 17. تبدیل داده‌ها برای ایجاد ایستایی (Differencing, Transformation)
  • 18. آشنایی با همبستگی (Correlation) و خودهمبستگی (Autocorrelation)
  • 19. محاسبه و تفسیر توابع خودهمبستگی (ACF) و خودهمبستگی جزئی (PACF)
  • 20. مدل‌های میانگین متحرک (Moving Average Models)
  • 21. مدل‌های خودرگرسیونی (Autoregressive Models)
  • 22. مدل‌های ARMA: ترکیب میانگین متحرک و خودرگرسیونی
  • 23. مدل‌های ARIMA: افزودن انتگرال‌گیری به ARMA برای داده‌های غیراستا
  • 24. انتخاب مرتبه (Order) مناسب برای مدل ARIMA (p, d, q)
  • 25. روش‌های تعیین مرتبه ARIMA: ACF, PACF, AIC, BIC
  • 26. برآورد پارامترهای مدل ARIMA
  • 27. ارزیابی مدل ARIMA: Residual Analysis
  • 28. تشخیص و رفع ناهمسانی واریانس (Heteroscedasticity)
  • 29. پیش‌بینی با استفاده از مدل ARIMA
  • 30. محاسبه بازه‌های اطمینان (Confidence Intervals) برای پیش‌بینی‌ها
  • 31. معرفی مدل‌های فصلی ARIMA (SARIMA)
  • 32. تشخیص و مدل‌سازی فصلی‌بودن در داده‌های تاکسی
  • 33. انتخاب پارامترهای SARIMA (P, D, Q, m)
  • 34. ارزیابی و مقایسه مدل‌های ARIMA و SARIMA
  • 35. مقدمه‌ای بر مدل‌های نمایی (Exponential Smoothing)
  • 36. روش‌های هموارسازی نمایی ساده (Simple Exponential Smoothing)
  • 37. روش‌های هموارسازی نمایی دوبل (Double Exponential Smoothing)
  • 38. روش‌های هموارسازی نمایی سه‌گانه (Triple Exponential Smoothing – Holt-Winters)
  • 39. انتخاب روش هموارسازی نمایی مناسب
  • 40. بهینه‌سازی پارامترهای مدل‌های نمایی
  • 41. پیش‌بینی با استفاده از مدل‌های نمایی
  • 42. ارزیابی دقت مدل‌های نمایی
  • 43. معرفی مدل Prophet: یک مدل پیش‌بینی قدرتمند از فیسبوک
  • 44. نصب و راه‌اندازی Prophet
  • 45. آماده‌سازی داده‌ها برای Prophet
  • 46. برازش مدل Prophet
  • 47. پیش‌بینی با استفاده از Prophet
  • 48. تفسیر نتایج Prophet
  • 49. تغییر پارامترهای Prophet برای بهبود دقت پیش‌بینی
  • 50. بررسی اثر تعطیلات و رویدادها بر سوار شدن تاکسی‌ها
  • 51. ادغام اطلاعات تعطیلات و رویدادها در مدل Prophet
  • 52. معرفی مدل‌های شبکه عصبی بازگشتی (Recurrent Neural Networks – RNNs)
  • 53. مبانی شبکه‌های عصبی و یادگیری عمیق
  • 54. آشنایی با LSTM (Long Short-Term Memory) و GRU (Gated Recurrent Unit)
  • 55. آماده‌سازی داده‌ها برای مدل‌های RNN
  • 56. ساخت و آموزش یک مدل LSTM برای پیش‌بینی سوار شدن تاکسی‌ها
  • 57. بهینه‌سازی پارامترهای مدل LSTM
  • 58. ارزیابی عملکرد مدل LSTM
  • 59. مقایسه مدل LSTM با مدل‌های ARIMA و Prophet
  • 60. مقدمه‌ای بر مدل‌های رگرسیونی سری زمانی (Time Series Regression)
  • 61. استفاده از متغیرهای بیرونی (Exogenous Variables) در مدل
  • 62. انتخاب متغیرهای مرتبط با سوار شدن تاکسی‌ها (آب و هوا، رویدادهای شهری)
  • 63. ادغام متغیرهای بیرونی در مدل‌های ARIMA و Prophet
  • 64. ارزیابی تاثیر متغیرهای بیرونی بر دقت پیش‌بینی
  • 65. آشنایی با روش‌های ارزیابی پیش‌بینی (Forecast Evaluation)
  • 66. معیارهای ارزیابی: RMSE, MAE, MAPE
  • 67. انتخاب معیار ارزیابی مناسب برای مسئله پیش‌بینی سوار شدن تاکسی‌ها
  • 68. مقایسه مدل‌های مختلف با استفاده از معیارهای ارزیابی
  • 69. اعتبارسنجی متقابل سری زمانی (Time Series Cross-Validation)
  • 70. پیاده‌سازی روش‌های اعتبارسنجی متقابل
  • 71. انتخاب بهترین مدل بر اساس نتایج اعتبارسنجی متقابل
  • 72. تشخیص نقاط پرت (Outliers) در سری زمانی
  • 73. روش‌های شناسایی نقاط پرت
  • 74. مدیریت نقاط پرت: حذف، جایگزینی، یا مدل‌سازی
  • 75. بررسی تاثیر نقاط پرت بر دقت پیش‌بینی
  • 76. تحلیل حساسیت (Sensitivity Analysis)
  • 77. بررسی تاثیر تغییرات در پارامترهای مدل بر پیش‌بینی‌ها
  • 78. ارزیابی استحکام (Robustness) مدل
  • 79. تحلیل سناریو (Scenario Analysis)
  • 80. پیش‌بینی در سناریوهای مختلف (رکود اقتصادی، افزایش قیمت بنزین)
  • 81. ارائه نتایج پیش‌بینی به ذینفعان (Stakeholders)
  • 82. مصورسازی نتایج پیش‌بینی
  • 83. تهیه گزارش پیش‌بینی
  • 84. ارائه توصیه‌ها بر اساس نتایج پیش‌بینی
  • 85. بهینه‌سازی عملیات تاکسیرانی بر اساس پیش‌بینی‌ها
  • 86. تخصیص ناوگان تاکسی بر اساس تقاضای پیش‌بینی‌شده
  • 87. قیمت‌گذاری پویا (Dynamic Pricing) بر اساس تقاضا
  • 88. بهبود تجربه مشتری با استفاده از پیش‌بینی‌ها
  • 89. آینده‌نگری: پیش‌بینی با در نظر گرفتن عوامل جدید (COVID-19, Ride-sharing)
  • 90. ادغام داده‌های جدید در مدل‌های پیش‌بینی
  • 91. تطبیق مدل‌ها با شرایط جدید
  • 92. نکات پیشرفته در تحلیل سری‌های زمانی
  • 93. روش‌های پیشرفته پیش‌بینی
  • 94. چالش‌ها و محدودیت‌های پیش‌بینی سری‌های زمانی
  • 95. خلاصه دوره و نکات کلیدی
  • 96. منابع تکمیلی برای یادگیری بیشتر
  • 97. پروژه عملی: پیش‌بینی سوار شدن تاکسی‌ها با داده‌های جدید
  • 98. ارائه و بحث در مورد پروژه‌های عملی
  • 99. پرسش و پاسخ نهایی
  • 100. ارزیابی و بازخورد دوره

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “کتاب از داده تا پیش‌بینی افول: مطالعه موردی کاهش مسافران تاکسی‌های نیویورک با سری‌های زمانی”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مشابه

پیمایش به بالا