فلش‌کارت‌های آموزشی کاربرد نرم‌افزارهای آماری پیشرفته در پیش‌بینی تقاضا

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب کاربرد نرم‌افزارهای آماری پیشرفته در پیش‌بینی تقاضا

موضوع کلی: امنیت غذایی و کشاورزی پایدار

موضوع میانی: پیش‌بینی تقاضا و عرضه

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر پیش بینی تقاضا
• 2. اهمیت پیش بینی تقاضا در کسب و کار
• 3. چالش های پیش بینی تقاضا
• 4. انواع پیش بینی تقاضا (کوتاه مدت، میان مدت، بلند مدت)
• 5. مراحل کلیدی در فرآیند پیش بینی تقاضا
• 6. مقدمه ای بر نرم افزارهای آماری پیشرفته
• 7. دسته بندی نرم افزارهای آماری (کدنویسی محور، رابط گرافیکی)
• 8. معرفی نرم افزارهای آماری محبوب (R, Python, SPSS, SAS, Stata, Excel)
• 9. مزایا و معایب نرم افزارهای آماری مختلف
• 10. انتخاب نرم افزار مناسب برای پیش بینی تقاضا
• 11. مبانی آمار توصیفی برای پیش بینی تقاضا
• 12. مفاهیم داده (متغیرها، مشاهدات)
• 13. انواع مقیاس های اندازه گیری
• 14. نمودارهای توصیفی (هیستوگرام، نمودار پراکندگی، نمودار جعبه ای)
• 15. محاسبه شاخص های مرکزی (میانگین، میانه، مد)
• 16. محاسبه شاخص های پراکندگی (واریانس، انحراف معیار، دامنه)
• 17. تحلیل سری های زمانی
• 18. مفهوم سری زمانی
• 19. انواع سری های زمانی (ایستایی، ناایستایی)
• 20. مولفه های سری زمانی (روند، فصلی، چرخه ای، نویز)
• 21. روش های تشخیص روند
• 22. روش های تشخیص فصلی بودن
• 23. آزمون های ایستایی (دیکی-فولر، کوهل-وایت)
• 24. روش های تبدیل سری زمانی (لگاریتم، تفاضل گیری)
• 25. مقدمه ای بر مدل های پیش بینی تقاضا
• 26. مدل های ساده (میانگین متحرک، میانگین متحرک وزنی)
• 27. مزایا و معایب مدل های ساده
• 28. معرفی مدل های کلاسیک سری زمانی
• 29. مدل ARIMA (Autoregressive Integrated Moving Average)
• 30. اجزای مدل ARIMA (p, d, q)
• 31. تخمین پارامترهای مدل ARIMA
• 32. تشخیص مدل مناسب (ACF, PACF)
• 33. اعتبارسنجی مدل ARIMA
• 34. مدل SARIMA (Seasonal ARIMA)
• 35. کاربرد SARIMA برای داده های فصلی
• 36. اجزای مدل SARIMA
• 37. تخمین و اعتبارسنجی مدل SARIMA
• 38. مدل های پیش بینی تقاضا مبتنی بر رگرسیون
• 39. مفهوم رگرسیون خطی ساده
• 40. رگرسیون خطی چندگانه
• 41. شناسایی متغیرهای پیش بین (Predictors)
• 42. تخمین ضرایب رگرسیون
• 43. اعتبارسنجی مدل رگرسیون
• 44. مدل های رگرسیون سری زمانی (ARIMAX, Regression with ARIMA Errors)
• 45. معرفی روش های یادگیری ماشین برای پیش بینی تقاضا
• 46. مفهوم یادگیری ماشین
• 47. یادگیری با نظارت (Supervised Learning)
• 48. یادگیری بدون نظارت (Unsupervised Learning)
• 49. انواع الگوریتم های یادگیری ماشین (درخت تصمیم، ماشین بردار پشتیبان، شبکه عصبی)
• 50. کاربرد الگوریتم های یادگیری ماشین در پیش بینی تقاضا
• 51. مدل درخت تصمیم (Decision Trees)
• 52. مفهوم تقسیم بندی (Splitting)
• 53. معیارهای انتخاب بهترین تقسیم (Gini Impurity, Entropy)
• 54. روش های جلوگیری از بیش برازش (Pruning)
• 55. مدل جنگل تصادفی (Random Forests)
• 56. مفهوم Bagging
• 57. کاربرد جنگل تصادفی برای پیش بینی تقاضا
• 58. مدل ماشین بردار پشتیبان (Support Vector Machines - SVM)
• 59. مفهوم مرز تصمیم (Decision Boundary)
• 60. تابع کرنل (Kernel Trick)
• 61. کاربرد SVM برای پیش بینی تقاضا
• 62. مدل رگرسیون بردار پشتیبان (Support Vector Regression - SVR)
• 63. شبکه های عصبی مصنوعی (Artificial Neural Networks - ANN)
• 64. مفهوم نورون و لایه ها
• 65. توابع فعال سازی (Activation Functions)
• 66. روش پس انتشار خطا (Backpropagation)
• 67. کاربرد ANN برای پیش بینی تقاضا
• 68. شبکه عصبی بازگشتی (Recurrent Neural Networks - RNN)
• 69. مفهوم حافظه در RNN
• 70. انواع RNN (LSTM, GRU)
• 71. کاربرد RNN برای سری های زمانی
• 72. مدل های پیشرفته تر یادگیری ماشین
• 73. مدل Gradient Boosting (XGBoost, LightGBM)
• 74. کاربرد این مدل ها در پیش بینی تقاضا
• 75. روش های ensemble (ترکیب مدل ها)
• 76. معرفی نرم افزار R برای پیش بینی تقاضا
• 77. نصب و راه اندازی R و RStudio
• 78. محیط کاربری RStudio
• 79. مبانی زبان برنامه نویسی R (متغیرها، توابع، ساختارهای داده)
• 80. بسته های (Packages) مورد نیاز برای پیش بینی تقاضا (forecast, tseries, zoo, xts)
• 81. وارد کردن و آماده سازی داده در R
• 82. تحلیل سری زمانی در R
• 83. پیاده سازی مدل های ARIMA و SARIMA در R
• 84. پیاده سازی مدل های رگرسیون در R
• 85. استفاده از الگوریتم های یادگیری ماشین در R (caret, mlr)
• 86. اعتبارسنجی و مقایسه مدل ها در R
• 87. رسم نمودارها و گزارش دهی در R
• 88. معرفی نرم افزار Python برای پیش بینی تقاضا
• 89. نصب و راه اندازی Python و محیط های توسعه (Anaconda, Jupyter Notebook)
• 90. مبانی زبان برنامه نویسی Python (متغیرها، توابع، کلاس ها)
• 91. کتابخانه های (Libraries) مورد نیاز برای پیش بینی تقاضا (pandas, numpy, scipy, statsmodels, scikit-learn, tensorflow, keras, prophet)
• 92. وارد کردن و آماده سازی داده در Python
• 93. تحلیل سری زمانی در Python
• 94. پیاده سازی مدل های ARIMA و SARIMA در Python
• 95. پیاده سازی مدل های رگرسیون در Python
• 96. استفاده از الگوریتم های یادگیری ماشین در Python
• 97. پیاده سازی مدل Prophet (توسط فیسبوک) در Python
• 98. اعتبارسنجی و مقایسه مدل ها در Python
• 99. رسم نمودارها و گزارش دهی در Python
• 100. معرفی نرم افزار SPSS برای پیش بینی تقاضا