دوره کاربرد شبکه‌های عصبی برای پیش‌بینی همبستگی متغیر همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاربرد شبکه‌های عصبی برای پیش‌بینی همبستگی متغیر

موضوع کلی: سرمایه‌گذاری کمی و معاملات الگوریتمی

موضوع میانی: مدل‌سازی بازده و همبستگی در بازارهای پرنوسان

📋 سرفصل‌های دوره

• 1. مقدمه ای بر همبستگی متغیر
• 2. مبانی نظری همبستگی
• 3. انواع همبستگی
• 4. نمودارهای پراکندگی برای همبستگی
• 5. ضریب همبستگی پیرسون
• 6. ضریب همبستگی اسپیرمن
• 7. ضریب همبستگی کندال
• 8. همبستگی چندگانه
• 9. همبستگی جزئی
• 10. همبستگی مرتبه بالاتر
• 11. مقدمه ای بر شبکه‌های عصبی
• 12. انواع شبکه‌های عصبی
• 13. نورون های مصنوعی
• 14. توابع فعال سازی
• 15. لایه های شبکه عصبی
• 16. معماری شبکه های عصبی
• 17. آموزش شبکه‌های عصبی
• 18. پس انتشار خطا
• 19. بهینه سازی گرادیان نزولی
• 20. انواع بهینه سازها
• 21. قانون یادگیری
• 22. نرمال سازی دسته ای
• 23. شبکه‌های عصبی پیشخور
• 24. شبکه‌های عصبی کانولوشنی (CNN)
• 25. شبکه‌های عصبی بازگشتی (RNN)
• 26. حافظه طولانی کوتاه مدت (LSTM)
• 27. واحد بازگشتی دروازه ای (GRU)
• 28. شبکه‌های عصبی ترانسفورمر
• 29. معماری ترانسفورمر
• 30. توجه در ترانسفورمر
• 31. کاربرد شبکه‌های عصبی در پیش‌بینی
• 32. پیش‌بینی سری‌های زمانی
• 33. پیش‌بینی مالی
• 34. پیش‌بینی آب و هوا
• 35. پیش‌بینی بازار سهام
• 36. پیش‌بینی تقاضا
• 37. پیش‌بینی روند
• 38. پیش‌بینی الگوهای پیچیده
• 39. مدل‌سازی همبستگی متغیر
• 40. استفاده از شبکه‌های عصبی برای مدل‌سازی همبستگی
• 41. پیش‌بینی همبستگی خطی
• 42. پیش‌بینی همبستگی غیرخطی
• 43. پیش‌بینی همبستگی پویا
• 44. پیش‌بینی همبستگی با تاخیر
• 45. پیش‌بینی همبستگی چند متغیره
• 46. پیش‌بینی همبستگی با استفاده از CNN
• 47. پیش‌بینی همبستگی با استفاده از RNN
• 48. پیش‌بینی همبستگی با استفاده از LSTM
• 49. پیش‌بینی همبستگی با استفاده از GRU
• 50. پیش‌بینی همبستگی با استفاده از ترانسفورمر
• 51. طراحی معماری شبکه عصبی برای پیش‌بینی همبستگی
• 52. انتخاب ویژگی ها برای پیش‌بینی همبستگی
• 53. پیش‌پردازش داده ها برای شبکه‌های عصبی
• 54. نرمال سازی داده ها
• 55. استاندارد سازی داده ها
• 56. کاهش بعد برای داده های همبستگی
• 57. تکنیک های مهندسی ویژگی
• 58. آموزش مدل‌های شبکه‌های عصبی برای همبستگی
• 59. اعتبارسنجی متقابل برای پیش‌بینی همبستگی
• 60. تنظیم فراپارامترها
• 61. نظارت بر فرآیند آموزش
• 62. جلوگیری از بیش برازش
• 63. روش های منظم سازی
• 64. تاخیر در آموزش
• 65. تنظیم گرادیان
• 66. ارزیابی مدل‌های پیش‌بینی همبستگی
• 67. معیارهای ارزیابی
• 68. خطای میانگین مربعات (MSE)
• 69. ریشه خطای میانگین مربعات (RMSE)
• 70. خطای میانگین مطلق (MAE)
• 71. ضریب تعیین (R-squared)
• 72. دقت در پیش‌بینی همبستگی
• 73. مقایسه با روش‌های سنتی
• 74. تحلیل حساسیت
• 75. تفسیرپذیری مدل‌های شبکه‌های عصبی
• 76. نمایش بصری نتایج همبستگی
• 77. موردکاوی 1: پیش‌بینی همبستگی دارایی‌های مالی
• 78. موردکاوی 2: پیش‌بینی همبستگی شاخص‌های اقتصادی
• 79. موردکاوی 3: پیش‌بینی همبستگی متغیرهای زیست‌محیطی
• 80. موردکاوی 4: پیش‌بینی همبستگی داده‌های بالینی
• 81. موردکاوی 5: پیش‌بینی همبستگی داده‌های شبکه‌های اجتماعی
• 82. محدودیت‌های شبکه‌های عصبی در پیش‌بینی همبستگی
• 83. چالش های جمع آوری داده
• 84. چالش های محاسباتی
• 85. نیاز به داده های زیاد
• 86. مشکلات تفسیرپذیری
• 87. آینده پژوهی در پیش‌بینی همبستگی با شبکه‌های عصبی
• 88. شبکه‌های عصبی مولد
• 89. یادگیری تقویتی برای پیش‌بینی همبستگی
• 90. یادگیری انتقالی برای پیش‌بینی همبستگی
• 91. پیش‌بینی همبستگی در زمان واقعی
• 92. پیش‌بینی همبستگی خودکار
• 93. پیش‌بینی همبستگی قابل اعتماد