دوره مبانی پیش‌بینی و مدل‌سازی با ابزارهای کامپیوتری همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی پیش‌بینی و مدل‌سازی با ابزارهای کامپیوتری

موضوع کلی: علوم کامپیوتر و تحلیل داده

موضوع میانی: ابزارهای پیش‌بینی و مدل‌سازی داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر پیش‌بینی و مدل‌سازی داده
• 2. مبانی تحلیل داده‌های سری زمانی
• 3. مفهوم پیش‌بینی در علوم کامپیوتر
• 4. تاریخچه ابزارهای پیش‌بینی کامپیوتری
• 5. انواع مدل‌های پیش‌بینی
• 6. مدل‌های رگرسیونی خطی ساده
• 7. مدل‌های رگرسیونی خطی چندگانه
• 8. مفهوم واریانس و کوواریانس
• 9. مفاهیم آماری پایه در پیش‌بینی
• 10. توزیع‌های آماری پرکاربرد
• 11. توزیع نرمال و کاربردهای آن
• 12. توزیع پواسون و کاربردهای آن
• 13. توزیع دوجمله‌ای و کاربردهای آن
• 14. مقدمه‌ای بر نرم‌افزارهای تحلیل داده
• 15. نصب و راه‌اندازی نرم‌افزار آماری
• 16. آشنایی با محیط کاربری نرم‌افزار
• 17. ورود و مدیریت داده‌ها در نرم‌افزار
• 18. پاکسازی و پیش‌پردازش داده‌ها
• 19. شناسایی داده‌های پرت و حذف آن‌ها
• 20. مدیریت داده‌های گمشده
• 21. تبدیل و استانداردسازی داده‌ها
• 22. تحلیل اکتشافی داده‌ها (EDA)
• 23. نمودارهای توزیع داده‌ها
• 24. نمودارهای پراکندگی
• 25. نمودارهای سری زمانی
• 26. محاسبه آماره‌های توصیفی
• 27. ضریب همبستگی و تفسیر آن
• 28. آشنایی با مدل‌های سری زمانی
• 29. مدل‌های میانگین متحرک (MA)
• 30. مدل‌های خودرگرسیونی (AR)
• 31. مدل‌های ARMA
• 32. مدل‌های ARIMA
• 33. مقدمه‌ای بر مدل‌های پیش‌بینی غیرخطی
• 34. شبکه‌های عصبی مصنوعی برای پیش‌بینی
• 35. کاربرد شبکه‌های عصبی در سری زمانی
• 36. مدل‌های درخت تصمیم و جنگل تصادفی
• 37. مدل‌های تقویت گرادیان (Gradient Boosting)
• 38. ارزیابی مدل‌های پیش‌بینی
• 39. معیارهای ارزیابی مدل‌های رگرسیون
• 40. میانگین مربعات خطا (MSE)
• 41. ریشه میانگین مربعات خطا (RMSE)
• 42. میانگین خطای مطلق (MAE)
• 43. شاخص آماری R-squared
• 44. اعتبارسنجی متقابل (Cross-validation)
• 45. تکنیک‌های تقسیم داده‌ها
• 46. آموزش، اعتبارسنجی و آزمون
• 47. تنظیم ابرپارامترهای مدل‌ها
• 48. پیش‌بینی با استفاده از مدل‌های ARIMA
• 49. پیاده‌سازی مدل‌های ARIMA در نرم‌افزار
• 50. انتخاب مرتبه مدل ARIMA
• 51. تشخیص ایستایی سری زمانی
• 52. آزمون دیکی-فولر
• 53. آزمون فیلیپس-پرون
• 54. تحلیل خودهمبستگی (ACF)
• 55. تحلیل خودهمبستگی جزئی (PACF)
• 56. مدل‌سازی سری زمانی با استفاده از الگوریتم‌های یادگیری ماشین
• 57. کاربرد رگرسیون لجستیک در پیش‌بینی
• 58. کاربرد ماشین بردار پشتیبان (SVM)
• 59. کاربرد مدل‌های بیزی
• 60. مدل‌سازی داده‌های ترافیک شبکه
• 61. پیش‌بینی تقاضای محصولات
• 62. پیش‌بینی قیمت سهام (با چارچوب قانونی)
• 63. پیش‌بینی مصرف انرژی
• 64. مدل‌سازی داده‌های آب و هوا
• 65. تحلیل و پیش‌بینی داده‌های مالی (با رعایت مقررات)
• 66. ملاحظات اخلاقی در تحلیل داده
• 67. حفظ حریم خصوصی داده‌ها
• 68. امنیت داده‌ها در پردازش
• 69. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 70. شباهت‌ها و تفاوت‌های یادگیری ماشین و آمار
• 71. کاربرد داده‌کاوی در پیش‌بینی
• 72. فرایند کلی داده‌کاوی
• 73. انتخاب ویژگی (Feature Selection)
• 74. مهندسی ویژگی (Feature Engineering)
• 75. مدل‌سازی پیش‌بینی در کلان داده (Big Data)
• 76. مقدمه‌ای بر ابزارهای متن‌باز برای پیش‌بینی
• 77. کتابخانه Pandas برای تحلیل داده
• 78. کتابخانه Scikit-learn برای یادگیری ماشین
• 79. کتابخانه Statsmodels برای مدل‌های آماری
• 80. مقدمه‌ای بر مفاهیم یادگیری عمیق
• 81. شبکه‌های عصبی بازگشتی (RNN)
• 82. حافظه طولانی کوتاه‌مدت (LSTM)
• 83. کاربرد LSTM در پیش‌بینی سری زمانی
• 84. مقدمه‌ای بر مدل‌های پیش‌بینی چندمتغیره
• 85. مدل‌های VAR (Vector Autoregression)
• 86. مدل‌سازی داده‌های اقتصادی چند شاخصه
• 87. ارزیابی و انتخاب نهایی مدل پیش‌بینی
• 88. مستندسازی فرایند پیش‌بینی
• 89. ارائه نتایج پیش‌بینی
• 90. کاربرد عملی پیش‌بینی در کسب و کار
• 91. مدیریت ریسک با استفاده از پیش‌بینی
• 92. بهینه‌سازی فرایندها با پیش‌بینی
• 93. تصمیم‌گیری استراتژیک مبتنی بر پیش‌بینی
• 94. آینده پیش‌بینی و مدل‌سازی داده