اپلیکیشن اندرویدی فلش‌کارت آموزشی پیش‌بینی سری‌های زمانی با مدل‌های آماری و پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیش‌بینی سری‌های زمانی با مدل‌های آماری و پایتون

موضوع کلی: علم داده و تحلیل آماری

موضوع میانی: تحلیل سری‌های زمانی

📋 سرفصل‌های دوره

• 1. مبانی سری‌های زمانی و اهمیت آن در علم داده
• 2. انواع سری‌های زمانی و مشخصه‌های آن‌ها
• 3. مفاهیم پایه: روند، فصلی بودن، و نوسانات تصادفی
• 4. نمودار سری زمانی و تفسیر بصری آن
• 5. تحلیل خودهمبستگی (ACF) و خودهمبستگی جزئی (PACF)
• 6. آزمون‌های تشخیص پایا بودن سری زمانی
• 7. روش‌های تبدیل سری زمانی به حالت پایا
• 8. مفهوم و کاربرد میانگین متحرک ساده
• 9. پیاده‌سازی میانگین متحرک در پایتون
• 10. تحلیل سری‌های زمانی با روش تفاضل‌گیری
• 11. مدل‌های نمایی هموارسازی (Exponential Smoothing)
• 12. هموارسازی نمایی ساده (Simple Exponential Smoothing)
• 13. هموارسازی نمایی دوگانه (Double Exponential Smoothing - Holt)
• 14. هموارسازی نمایی سه‌گانه (Triple Exponential Smoothing - Holt-Winters)
• 15. پیاده‌سازی مدل‌های هموارسازی نمایی در پایتون
• 16. مقدمه‌ای بر مدل‌های ARIMA
• 17. اجزای مدل ARIMA: AR، I، MA
• 18. مدل AR(p): خودرگرسیون
• 19. مدل MA(q): میانگین متحرک
• 20. مدل ARMA(p,q)
• 21. مدل ARIMA(p,d,q)
• 22. انتخاب مرتبه مدل ARIMA: p، d، q
• 23. روش‌های تخمین پارامترهای مدل ARIMA
• 24. تشخیص باقی‌مانده‌های مدل ARIMA
• 25. آزمون بروش-گادفری برای باقی‌مانده‌ها
• 26. پیش‌بینی با مدل‌های ARIMA
• 27. ارزیابی عملکرد مدل‌های ARIMA
• 28. مدل‌های فصلی ARIMA (SARIMA)
• 29. اجزای مدل SARIMA
• 30. پیاده‌سازی مدل SARIMA در پایتون
• 31. ارزیابی مدل SARIMA
• 32. مقدمه‌ای بر مدل‌های حالت فضایی (State Space Models)
• 33. مدل‌های حالت فضایی برای سری‌های زمانی
• 34. کاربرد مدل‌های حالت فضایی در پیش‌بینی
• 35. روش‌های تخمین در مدل‌های حالت فضایی
• 36. مقایسه مدل‌های ARIMA و حالت فضایی
• 37. مقدمه‌ای بر مدل‌های اتورگرسیو شرطی ناهمسانی واریانس (ARCH/GARCH)
• 38. مدل ARCH(q)
• 39. مدل GARCH(p,q)
• 40. کاربرد مدل‌های GARCH در تحلیل نوسانات
• 41. پیاده‌سازی مدل‌های GARCH در پایتون
• 42. ارزیابی مدل‌های GARCH
• 43. مقدمه‌ای بر یادگیری ماشین در سری‌های زمانی
• 44. استفاده از رگرسیون خطی برای پیش‌بینی سری زمانی
• 45. استفاده از درخت‌های تصمیم و جنگل‌های تصادفی
• 46. شبکه‌های عصبی بازگشتی (RNN) برای سری‌های زمانی
• 47. شبکه‌های حافظه طولانی کوتاه مدت (LSTM)
• 48. شبکه‌های حافظه کوتاه‌مدت (GRU)
• 49. مقایسه مدل‌های یادگیری ماشین با مدل‌های آماری
• 50. پیش‌پردازش داده‌ها برای مدل‌های یادگیری ماشین
• 51. مهندسی ویژگی برای سری‌های زمانی
• 52. اعتبارسنجی مدل‌های سری زمانی
• 53. تکنیک‌های اعتبارسنجی متقابل (Cross-validation) برای سری‌های زمانی
• 54. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 55. روش‌های بهینه‌سازی ابرپارامترها
• 56. یادگیری تقویتی در سری‌های زمانی
• 57. کاربرد یادگیری تقویتی در مدیریت پرتفوی
• 58. مقدمه‌ای بر پیش‌بینی چند متغیره
• 59. مدل‌های VAR (Vector Autoregression)
• 60. مدل‌های VECM (Vector Error Correction Model)
• 61. پیاده‌سازی مدل‌های VAR و VECM در پایتون
• 62. تحلیل علیت گرنجر (Granger Causality)
• 63. مقدمه‌ای بر تحلیل سری‌های زمانی غیرخطی
• 64. روش‌های شناسایی غیرخطی بودن
• 65. مدل‌های غیرخطی متداول
• 66. مقدمه‌ای بر تحلیل سری‌های زمانی با ساختار پیچیده
• 67. سری‌های زمانی چند کاناله
• 68. سری‌های زمانی مکانی-زمانی
• 69. تحلیل سری‌های زمانی با داده‌های گمشده
• 70. روش‌های پر کردن داده‌های گمشده
• 71. مقدمه‌ای بر مدل‌های بیزی در سری‌های زمانی
• 72. مدل‌های بیزی برای هموارسازی نمایی
• 73. مدل‌های بیزی برای ARIMA
• 74. پیاده‌سازی مدل‌های بیزی با استفاده از کتابخانه‌های پایتون
• 75. مقدمه‌ای بر تشخیص ناهنجاری در سری‌های زمانی
• 76. روش‌های آماری برای تشخیص ناهنجاری
• 77. روش‌های یادگیری ماشین برای تشخیص ناهنجاری
• 78. کاربرد تشخیص ناهنجاری در سیستم‌های نظارتی
• 79. مقدمه‌ای بر پیش‌بینی در مقیاس بزرگ
• 80. مواجهه با حجم بالای داده‌های سری زمانی
• 81. استفاده از ابزارهای پردازش توزیع شده
• 82. مقدمه‌ای بر تفسیرپذیری مدل‌های پیش‌بینی
• 83. روش‌های تفسیر مدل‌های سری زمانی
• 84. تکنیک‌های بصری‌سازی نتایج پیش‌بینی
• 85. مقدمه‌ای بر کاربردهای عملی پیش‌بینی سری زمانی
• 86. پیش‌بینی تقاضا در خرده‌فروشی
• 87. پیش‌بینی فروش در صنایع مختلف
• 88. پیش‌بینی قیمت سهام و بازارهای مالی
• 89. پیش‌بینی مصرف انرژی
• 90. پیش‌بینی آب و هوا و بلایای طبیعی
• 91. پیش‌بینی ترافیک شهری
• 92. پیش‌بینی بیماری‌های واگیردار
• 93. مقدمه‌ای بر چالش‌های پیش‌بینی سری زمانی
• 94. دینامیک غیر ایستا
• 95. نویز و تصادفی بودن
• 96. تغییرات ناگهانی و رویدادهای نادر
• 97. انتخاب مدل مناسب
• 98. ارزیابی و اعتبارسنجی مدل‌ها
• 99. مدیریت عدم قطعیت در پیش‌بینی
• 100. اخلاق در علم داده و پیش‌بینی سری زمانی