دوره مقدمه‌ای بر پردازش و دستکاری داده‌های سری زمانی با پایتون همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر پردازش و دستکاری داده‌های سری زمانی با پایتون

موضوع کلی: علم داده و تحلیل آماری

موضوع میانی: تحلیل سری‌های زمانی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر داده‌های سری زمانی
• 2. مفهوم سری زمانی و اهمیت آن
• 3. انواع داده‌های سری زمانی
• 4. جمع‌آوری داده‌های سری زمانی
• 5. ذخیره‌سازی داده‌های سری زمانی
• 6. ساختار داده‌های سری زمانی در پایتون
• 7. کتابخانه Pandas برای کار با سری‌های زمانی
• 8. DataFrame و Series در Pandas
• 9. خواندن داده‌های سری زمانی از فایل‌ها
• 10. نوشتن داده‌های سری زمانی در فایل‌ها
• 11. شاخص زمانی (Datetime Index)
• 12. ساخت شاخص زمانی دستی
• 13. تولید شاخص زمانی با بازه‌های زمانی
• 14. کار با تاریخ و زمان در پایتون
• 15. عملیات تاریخ و زمان با Pandas
• 16. تغییر مقیاس زمانی (Resampling)
• 17. بالا بردن مقیاس زمانی (Upsampling)
• 18. پایین آوردن مقیاس زمانی (Downsampling)
• 19. تجمیع داده‌ها در بازه‌های زمانی
• 20. توزیع داده‌ها در بازه‌های زمانی
• 21. فیلتر کردن داده‌ها بر اساس تاریخ
• 22. انتخاب داده‌ها بر اساس بازه زمانی
• 23. تقسیم داده‌ها به بخش‌های زمانی
• 24. ادغام داده‌های سری زمانی
• 25. هم‌تراز کردن سری‌های زمانی
• 26. تغییر زمان‌بندی سری‌های زمانی
• 27. محاسبه اختلاف زمانی بین داده‌ها
• 28. هموارسازی سری‌های زمانی (Smoothing)
• 29. میانگین متحرک ساده (Simple Moving Average)
• 30. میانگین متحرک وزنی (Weighted Moving Average)
• 31. هموارسازی نمایی (Exponential Smoothing)
• 32. پیش‌بینی سری‌های زمانی
• 33. مدل‌های ساده پیش‌بینی
• 34. مدل ARIMA (مقدمه)
• 35. اجزای مدل ARIMA
• 36. تخمین پارامترهای ARIMA
• 37. تشخیص مدل ARIMA
• 38. کاربرد مدل‌های ARIMA در تحلیل داده
• 39. تحلیل مولفه‌های سری زمانی (روند، فصلی، نویز)
• 40. شناسایی روند در سری زمانی
• 41. شناسایی فصلی بودن در سری زمانی
• 42. حذف مولفه روند
• 43. حذف مولفه فصلی
• 44. باقیمانده سری زمانی (Residuals)
• 45. تحلیل باقیمانده‌ها
• 46. آزمون‌های آماری برای سری‌های زمانی
• 47. آزمون ایستایی (Stationarity)
• 48. آزمون دیک-فولر تعمیم‌یافته (ADF)
• 49. آزمون کوی-پرون (KPSS)
• 50. تبدیل سری‌های زمانی به ایستایی
• 51. آزمون همبستگی سری‌های زمانی
• 52. تابع خودهمبستگی (ACF)
• 53. تابع خودهمبستگی جزئی (PACF)
• 54. تفسیر نمودارهای ACF و PACF
• 55. شناسایی مدل از روی ACF و PACF
• 56. کاربرد مدل‌های SARIMA
• 57. مدل‌های پیشرفته‌تر سری زمانی
• 58. مدل‌های مبتنی بر یادگیری ماشین
• 59. شبکه‌های عصبی بازگشتی (RNN)
• 60. شبکه‌های حافظه طولانی کوتاه مدت (LSTM)
• 61. کاربرد LSTM در پیش‌بینی سری زمانی
• 62. مدل‌های مبتنی بر درخت تصمیم
• 63. جنگل تصادفی (Random Forest)
• 64. گرادیان بوستینگ (Gradient Boosting)
• 65. مدل‌های ترکیبی (Ensemble)
• 66. ارزیابی مدل‌های سری زمانی
• 67. معیارهای ارزیابی مدل
• 68. خطای میانگین مربعات (MSE)
• 69. ریشه خطای میانگین مربعات (RMSE)
• 70. خطای میانگین مطلق (MAE)
• 71. نرمال‌سازی داده‌های سری زمانی
• 72. مقیاس‌بندی داده‌ها
• 73. تکنیک‌های پیش‌پردازش برای مدل‌های یادگیری ماشین
• 74. استخراج ویژگی از سری‌های زمانی
• 75. کاربرد علم داده در تحلیل اقتصادی
• 76. تحلیل روند بازار سهام
• 77. پیش‌بینی قیمت‌ها
• 78. تحلیل داده‌های آب و هوایی
• 79. پیش‌بینی بارش
• 80. تحلیل داده‌های ترافیک
• 81. پیش‌بینی ازدحام
• 82. تحلیل داده‌های پزشکی
• 83. پیش‌بینی شیوع بیماری
• 84. کاربردهای سری زمانی در صنعت
• 85. مدیریت موجودی
• 86. پیش‌بینی تقاضا
• 87. تکنیک‌های تجسم داده‌های سری زمانی
• 88. نمودار خطی
• 89. نمودار پراکندگی
• 90. نمودار جعبه‌ای
• 91. نمودارهای فصلی
• 92. نمودارهای روند
• 93. ملاحظات اخلاقی در تحلیل سری‌های زمانی
• 94. حریم خصوصی داده‌ها
• 95. سوگیری در مدل‌ها
• 96. تفسیر نتایج مدل‌ها
• 97. نمایش شفاف نتایج
• 98. کاربرد پایتون در علم داده
• 99. کتابخانه NumPy
• 100. کتابخانه Matplotlib