اپلیکیشن اندرویدی فلش‌کارت آموزشی تحلیل و پیش‌بینی سری‌های زمانی با رویکرد کاربردی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل و پیش‌بینی سری‌های زمانی با رویکرد کاربردی

موضوع کلی: علم داده و آمار کاربردی

موضوع میانی: تحلیل داده‌های سری زمانی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و سری‌های زمانی
• 2. مفاهیم پایه آماری در تحلیل سری‌های زمانی
• 3. انواع سری‌های زمانی و ویژگی‌های آن‌ها
• 4. نمایش گرافیکی سری‌های زمانی
• 5. تشخیص روند در سری‌های زمانی
• 6. تشخیص فصلیت در سری‌های زمانی
• 7. تشخیص دوره‌ای بودن در سری‌های زمانی
• 8. تشخیص نویز و مؤلفه‌های تصادفی
• 9. تجزیه سری زمانی به مؤلفه‌های اصلی
• 10. روش‌های هموارسازی سری‌های زمانی
• 11. میانگین متحرک ساده
• 12. میانگین متحرک وزنی
• 13. هموارسازی نمایی ساده
• 14. هموارسازی نمایی دوگانه (هول-وینترز)
• 15. مدل‌های ARIMA
• 16. مفهوم خودهمبستگی (Autocorrelation)
• 17. تابع خودهمبستگی (ACF)
• 18. مفهوم خودهمبستگی جزئی (Partial Autocorrelation)
• 19. تابع خودهمبستگی جزئی (PACF)
• 20. شناسایی مرتبه مدل AR
• 21. شناسایی مرتبه مدل MA
• 22. شناسایی مرتبه مدل ARMA
• 23. تخمین پارامترهای مدل‌های ARMA
• 24. تشخیص برازش مدل‌های ARMA
• 25. مدل‌های ARIMA (Autoregressive Integrated Moving Average)
• 26. مفهوم تفاضل‌گیری (Differencing)
• 27. تشخیص مرتبه تفاضل‌گیری
• 28. شناسایی مرتبه p در مدل ARIMA
• 29. شناسایی مرتبه d در مدل ARIMA
• 30. شناسایی مرتبه q در مدل ARIMA
• 31. تخمین پارامترهای مدل ARIMA
• 32. ارزیابی و اعتبارسنجی مدل‌های ARIMA
• 33. پیش‌بینی با استفاده از مدل‌های ARIMA
• 34. مدل‌های فصلی ARIMA (SARIMA)
• 35. شناسایی پارامترهای فصلی در SARIMA
• 36. پیش‌بینی با مدل‌های SARIMA
• 37. مدل‌های GARCH برای نوسانات (Volatility)
• 38. مفهوم واریانس شرطی
• 39. مدل ARCH
• 40. مدل GARCH
• 41. تخمین پارامترهای مدل GARCH
• 42. پیش‌بینی واریانس با GARCH
• 43. کاربرد GARCH در بازارهای مالی
• 44. مدل‌های سری زمانی چندمتغیره (VAR)
• 45. مفهوم واریانس و کوواریانس مشترک
• 46. مدل برداری خودرگرسیو (VAR)
• 47. شناسایی مرتبه مدل VAR
• 48. تخمین پارامترهای مدل VAR
• 49. تحلیل علیت گرنجر (Granger Causality)
• 50. تحلیل توابع واکنش ضربه (Impulse Response Functions)
• 51. تحلیل تجزیه واریانس (Variance Decomposition)
• 52. پیش‌بینی با مدل‌های VAR
• 53. مدل‌های حالت فضایی (State-Space Models)
• 54. معادلات حالت و مشاهده
• 55. فیلتر کالمن (Kalman Filter)
• 56. پیش‌بینی با فیلتر کالمن
• 57. کاربرد مدل‌های حالت فضایی در اقتصاد
• 58. مدل‌های سری زمانی غیرخطی
• 59. روش‌های غیرپارامتری در تحلیل سری زمانی
• 60. هوش مصنوعی در تحلیل سری زمانی
• 61. شبکه‌های عصبی بازگشتی (RNN)
• 62. شبکه‌های حافظه طولانی کوتاه مدت (LSTM)
• 63. شبکه‌های حافظه کوتاه مدت (GRU)
• 64. آموزش و اعتبارسنجی مدل‌های یادگیری عمیق
• 65. پیش‌بینی با شبکه‌های عصبی
• 66. ارزیابی مدل‌های پیش‌بینی
• 67. شاخص‌های ارزیابی دقت پیش‌بینی
• 68. میانگین خطای مطلق (MAE)
• 69. میانگین مربعات خطا (MSE)
• 70. ریشه میانگین مربعات خطا (RMSE)
• 71. میانگین خطای مطلق درصدی (MAPE)
• 72. تست آمادگی داده برای مدل‌سازی
• 73. پیش‌پردازش داده‌های سری زمانی
• 74. مقیاس‌بندی داده‌ها
• 75. نرمال‌سازی داده‌ها
• 76. تبدیلات برای پایداری سری زمانی
• 77. شناسایی و حذف داده‌های پرت (Outliers)
• 78. تکنیک‌های جایگزینی مقادیر گمشده
• 79. تحلیل همبستگی متقابل (Cross-Correlation)
• 80. مدل‌سازی با استفاده از نرم‌افزار R
• 81. مدل‌سازی با استفاده از نرم‌افزار Python
• 82. کتابخانه‌های تحلیل سری زمانی در Python
• 83. کاربرد تحلیل سری زمانی در حوزه‌های مختلف
• 84. پیش‌بینی تقاضا
• 85. تحلیل بازارهای مالی
• 86. پیش‌بینی آب و هوا
• 87. تحلیل داده‌های پزشکی
• 88. تحلیل داده‌های اقتصادی کلان
• 89. کاربردهای سری زمانی در صنعت
• 90. نتیجه‌گیری و جمع‌بندی مباحث
• 91. مرور مفاهیم کلیدی
• 92. چالش‌های پیش رو در تحلیل سری زمانی
• 93. روندهای آتی در تحلیل سری زمانی
• 94. مباحث تکمیلی و پیشرفته
• 95. منابع و مراجع بیشتر