دوره اصول و تکنیک‌های پیش‌بینی سری‌های زمانی با استفاده از متلب همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره اصول و تکنیک‌های پیش‌بینی سری‌های زمانی با استفاده از متلب

موضوع کلی: برنامه‌نویسی کامپیوترهای شخصی

موضوع میانی: Time Series Analysis

📋 سرفصل‌های دوره

• 1. مقدمه بر سری‌های زمانی
• 2. انواع سری‌های زمانی
• 3. مفاهیم اساسی سری‌های زمانی
• 4. تراس و ایستا بودن
• 5. خودهمبستگی و خودهمبستگی جزئی
• 6. مدل‌های ساده برای سری‌های زمانی
• 7. میانگین متحرک (MA)
• 8. مدل خودرگرسیو (AR)
• 9. مدل خودرگرسیو میانگین متحرک (ARMA)
• 10. شناسایی مدل ARMA
• 11. برآورد پارامترهای ARMA
• 12. آزمون تشخیصی مدل ARMA
• 13. مدل تفاضل‌گیری خودرگرسیو میانگین متحرک (ARIMA)
• 14. شناسایی مدل ARIMA
• 15. برآورد پارامترهای ARIMA
• 16. آزمون تشخیصی مدل ARIMA
• 17. پیش‌بینی با مدل‌های ARIMA
• 18. تحلیل و پیش‌بینی سری‌های زمانی با استفاده از متلب
• 19. مقدمه محیط متلب برای تحلیل سری‌های زمانی
• 20. ابزارهای متلب برای نمایش سری‌های زمانی
• 21. تابع plot در متلب
• 22. رسم نمودار سری زمانی
• 23. رسم نمودار چند سری زمانی
• 24. محاسبه میانگین و واریانس سری زمانی در متلب
• 25. توابع mean و var
• 26. محاسبه خودهمبستگی و خودهمبستگی جزئی در متلب
• 27. تابع autocorr
• 28. تابع parcorr
• 29. رسم نمودار خودهمبستگی و خودهمبستگی جزئی
• 30. تشخیص مرتبه مدل‌های ARMA با نمودارها
• 31. توابع arima و estimate در متلب
• 32. ایجاد مدل ARMA در متلب
• 33. برآورد پارامترهای مدل ARMA
• 34. آزمون‌های آماری برای مدل‌های ARMA
• 35. فیت کردن مدل ARIMA در متلب
• 36. توابع estimate و infer در متلب
• 37. برآورد پارامترهای مدل ARIMA
• 38. آزمون‌های تشخیصی برای مدل ARIMA
• 39. پایان‌نامه‌ها و مقالات مرتبط با تحلیل سری‌های زمانی
• 40. کتابخانه‌های متلب برای سری‌های زمانی
• 41. جعبه ابزار Econometrics
• 42. توابع مرتبط با سری‌های زمانی در جعبه ابزار Econometrics
• 43. مدل‌های سری زمانی شرطی ناهمسانی واریانس (ARCH)
• 44. مدل‌های GARCH
• 45. فیت کردن مدل‌های GARCH در متلب
• 46. پیش‌بینی با مدل‌های GARCH
• 47. تحلیل سری‌های زمانی فصلی
• 48. مدل‌های فصلی ARIMA
• 49. توابع مرتبط با مدل‌های فصلی در متلب
• 50. شناسایی مدل‌های فصلی
• 51. برآورد و پیش‌بینی با مدل‌های فصلی
• 52. سری‌های زمانی چند متغیره
• 53. مدل‌های VAR (Vector Autoregression)
• 54. توابع مرتبط با مدل VAR در متلب
• 55. فیت کردن مدل VAR
• 56. پیش‌بینی با مدل VAR
• 57. تحلیل هم‌انباشتگی (Cointegration)
• 58. آزمون‌های هم‌انباشتگی
• 59. مدل‌های VECM (Vector Error Correction Model)
• 60. فیت کردن مدل VECM
• 61. پیش‌بینی با مدل VECM
• 62. مدل‌های انتقال مارکوف (Markov Switching Models)
• 63. کاربرد مدل‌های انتقال مارکوف در سری‌های زمانی
• 64. فیت کردن مدل‌های انتقال مارکوف در متلب
• 65. پیش‌بینی با مدل‌های انتقال مارکوف
• 66. مدل‌های غیرخطی در سری‌های زمانی
• 67. شبکه‌های عصبی برای سری‌های زمانی
• 68. الگوریتم‌های بهینه‌سازی در شبکه‌های عصبی
• 69. فیت کردن شبکه‌های عصبی برای پیش‌بینی سری‌های زمانی
• 70. تحلیل حساسیت و اعتبار سنجی مدل‌ها
• 71. روش‌های اعتبارسنجی متقابل (Cross-validation)
• 72. ارزیابی عملکرد مدل‌های پیش‌بینی
• 73. معیارهای ارزیابی: MSE, RMSE, MAE, MAPE
• 74. کاهش خطا در پیش‌بینی سری‌های زمانی
• 75. کاربرد سری‌های زمانی در اقتصاد
• 76. پیش‌بینی قیمت سهام
• 77. تحلیل داده‌های مالی
• 78. کاربرد سری‌های زمانی در مهندسی
• 79. پیش‌بینی تقاضا
• 80. تحلیل سیگنال‌ها
• 81. کاربرد سری‌های زمانی در علوم زیستی
• 82. پیش‌بینی روند بیماری‌ها
• 83. تحلیل داده‌های محیط زیستی
• 84. کاربرد سری‌های زمانی در علوم اجتماعی
• 85. پیش‌بینی رفتار مصرف‌کننده
• 86. تحلیل روندهای اجتماعی
• 87. مطالعات موردی واقعی با استفاده از متلب
• 88. مثال عملی: پیش‌بینی شاخص کل بورس تهران
• 89. مثال عملی: تحلیل و پیش‌بینی قیمت نفت
• 90. مثال عملی: پیش‌بینی مصرف برق
• 91. مثال عملی: تحلیل سری زمانی آب و هوا
• 92. مثال عملی: پیش‌بینی تعداد مسافران هوایی
• 93. آینده سری‌های زمانی و ابزارهای نوین
• 94. یادگیری ماشین عمیق برای سری‌های زمانی
• 95. شبکه‌های LSTM و GRU
• 96. کاربرد یادگیری عمیق در پیش‌بینی سری‌های زمانی
• 97. یادگیری تقویتی برای سری‌های زمانی
• 98. اپلیکیشن‌های پیشرفته تحلیل سری‌های زمانی
• 99. نرم‌افزارهای مکمل متلب
• 100. پروژه‌های کاربردی و خلاقانه