اپلیکیشن اندرویدی فلش‌کارت آموزشی تحلیل سری‌های زمانی و مدل‌سازی پیش‌بینانه در آمار (با تمرکز بر کاربردهای اقتصادی و اجتماعی سازگار با قوانین)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل سری‌های زمانی و مدل‌سازی پیش‌بینانه در آمار (با تمرکز بر کاربردهای اقتصادی و اجتماعی سازگار با قوانین)

موضوع کلی: آمار و تحلیل داده

موضوع میانی: روش‌های پیشرفته آماری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر سری‌های زمانی و کاربردهای آن
• 2. مفاهیم پایه در تحلیل سری‌های زمانی
• 3. اجزای سری‌های زمانی: روند، فصلی، ادواری و نامنظم
• 4. شناسایی و تحلیل روند در سری‌های زمانی
• 5. روش‌های هموارسازی سری‌های زمانی: میانگین متحرک ساده
• 6. روش‌های هموارسازی سری‌های زمانی: میانگین متحرک وزنی
• 7. روش‌های هموارسازی سری‌های زمانی: هموارسازی نمایی
• 8. تحلیل مولفه فصلی و روش‌های حذف آن
• 9. تحلیل مولفه ادواری و شناسایی آن
• 10. مدل‌های ساده برای سری‌های زمانی: مدل ثابت
• 11. مدل‌های ساده برای سری‌های زمانی: مدل روند خطی
• 12. مدل‌های ساده برای سری‌های زمانی: مدل روند درجه دوم
• 13. مدل‌های ساده برای سری‌های زمانی: مدل فصلی ساده
• 14. مقدمه‌ای بر فرآیندهای تصادفی
• 15. فرآیندهای ایستا و ناایستا
• 16. شرایط ایستا بودن یک فرآیند
• 17. تابع خودهمبستگی (ACF) و تفسیر آن
• 18. تابع خودهمبستگی جزئی (PACF) و تفسیر آن
• 19. مدل‌های AR (Autoregressive)
• 20. مدل‌های MA (Moving Average)
• 21. مدل‌های ARMA (Autoregressive Moving Average)
• 22. تشخیص مرتبه مدل‌های ARMA
• 23. برآورد پارامترهای مدل‌های ARMA
• 24. آزمون‌های تشخیصی برای مدل‌های ARMA
• 25. مقدمه‌ای بر مدل‌های ARIMA (Autoregressive Integrated Moving Average)
• 26. تبدیل سری‌های ناایستا به ایستا
• 27. انتخاب مرتبه مدل‌های ARIMA
• 28. برآورد پارامترهای مدل‌های ARIMA
• 29. آزمون‌های تشخیصی برای مدل‌های ARIMA
• 30. پیش‌بینی با استفاده از مدل‌های ARIMA
• 31. ارزیابی دقت پیش‌بینی در مدل‌های ARIMA
• 32. کاربرد مدل‌های ARIMA در اقتصاد (مانند پیش‌بینی تورم)
• 33. کاربرد مدل‌های ARIMA در علوم اجتماعی (مانند پیش‌بینی جمعیت)
• 34. مدل‌های سری زمانی فصلی: مدل SARIMA
• 35. انتخاب مرتبه مدل‌های SARIMA
• 36. برآورد پارامترهای مدل‌های SARIMA
• 37. پیش‌بینی با استفاده از مدل‌های SARIMA
• 38. مدل‌های سری زمانی چندمتغیره: مقدمه
• 39. مفهوم هم‌انباشتگی (Cointegration)
• 40. مدل‌های VAR (Vector Autoregression)
• 41. انتخاب مرتبه مدل‌های VAR
• 42. برآورد پارامترهای مدل‌های VAR
• 43. تحلیل عاملی تشخیصی در مدل‌های VAR
• 44. تحلیل عدم قطعیت در مدل‌های VAR
• 45. کاربرد مدل‌های VAR در تحلیل روابط اقتصادی
• 46. مدل‌های VECM (Vector Error Correction Model)
• 47. تشخیص وجود هم‌انباشتگی
• 48. برآورد پارامترهای مدل‌های VECM
• 49. پیش‌بینی با استفاده از مدل‌های VECM
• 50. مدل‌های GARCH (Generalized Autoregressive Conditional Heteroskedasticity)
• 51. مفهوم ناهمسانی واریانس شرطی
• 52. مدل‌های ARCH
• 53. برآورد پارامترهای مدل‌های GARCH
• 54. کاربرد مدل‌های GARCH در تحلیل نوسانات بازارهای مالی (با رویکرد احتیاطی)
• 55. مدل‌های سری زمانی غیرخطی
• 56. مقدمه‌ای بر یادگیری ماشین در تحلیل سری‌های زمانی
• 57. شبکه‌های عصبی برای سری‌های زمانی
• 58. مدل‌های LSTM (Long Short-Term Memory)
• 59. کاربرد LSTM در پیش‌بینی سری‌های زمانی
• 60. مدل‌های تبدیل‌کننده (Transformers) در سری‌های زمانی
• 61. تحلیل داده‌های سری زمانی حجیم
• 62. پردازش موازی در تحلیل سری‌های زمانی
• 63. استفاده از ابزارهای نرم‌افزاری آماری (مانند R و Python)
• 64. پیاده‌سازی مدل‌های سری زمانی در R
• 65. پیاده‌سازی مدل‌های سری زمانی در Python
• 66. مقدمه‌ای بر تحلیل طیفی سری‌های زمانی
• 67. تبدیل فوریه و کاربرد آن
• 68. تحلیل طیفی سری‌های زمانی: مفاهیم پایه
• 69. تحلیل طیفی سری‌های زمانی: کاربردها
• 70. روش‌های مدل‌سازی پیش‌بینانه در آمار
• 71. مقدمه‌ای بر تحلیل داده‌های تابلویی (Panel Data)
• 72. مدل‌های اثرات ثابت و اثرات تصادفی در داده‌های تابلویی
• 73. کاربرد داده‌های تابلویی در تحلیل اقتصادی
• 74. مقدمه‌ای بر تحلیل بقا (Survival Analysis)
• 75. توابع بقا و تابع خطر (Hazard Function)
• 76. مدل کاکس (Cox Proportional Hazards Model)
• 77. کاربرد تحلیل بقا در مطالعات اجتماعی
• 78. مقدمه‌ای بر مدل‌سازی رگرسیون در سری‌های زمانی
• 79. رگرسیون گسسته در سری‌های زمانی
• 80. مدل‌های رگرسیون پویا
• 81. مقدمه‌ای بر روش‌های اکتشافی در تحلیل داده‌های سری زمانی
• 82. تجسم داده‌های سری زمانی
• 83. شناسایی ناهنجاری‌ها در سری‌های زمانی
• 84. ارتباط سری‌های زمانی با مفاهیم آماری پیشرفته
• 85. روش‌های شبیه‌سازی در سری‌های زمانی
• 86. اعتبارسنجی مدل‌های سری زمانی
• 87. مقدمه‌ای بر مدل‌سازی آماری در علوم داده
• 88. تکنیک‌های پیش‌پردازش داده‌های سری زمانی
• 89. کاربرد آمار در تصمیم‌گیری‌های استراتژیک (با رعایت چارچوب‌های قانونی)
• 90. ملاحظات اخلاقی در تحلیل داده‌های سری زمانی
• 91. آینده تحلیل سری‌های زمانی و مدل‌سازی پیش‌بینانه
• 92. جمع‌بندی و نگاهی به پیشرفت‌های آینده