فلش‌کارت‌های آموزشی پیش‌بینی روندها با پایتون و داده‌کاوی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیش‌بینی روندها با پایتون و داده‌کاوی

موضوع کلی: اتوماسیون با پایتون

موضوع میانی: اتوماسیون مرتبط با داده‌کاوی (Data Mining)

📋 سرفصل‌های دوره

• 1. مقدمه بر پایتون برای تحلیل داده
• 2. نصب و پیکربندی محیط توسعه
• 3. آشنایی با ساختارهای داده در پایتون
• 4. کتابخانه‌های کلیدی برای علم داده: NumPy
• 5. کتابخانه‌های کلیدی برای علم داده: Pandas
• 6. کار با دیتافریم‌ها در Pandas
• 7. پاکسازی و پیش‌پردازش داده‌ها
• 8. مدیریت داده‌های گمشده
• 9. کار با داده‌های متنی
• 10. مقدمه ای بر مصورسازی داده
• 11. کتابخانه Matplotlib برای ترسیم نمودار
• 12. رسم نمودارهای خطی و پراکندگی
• 13. رسم نمودارهای میله‌ای و هیستوگرام
• 14. رسم نمودارهای دایره‌ای و جعبه‌ای
• 15. کتابخانه Seaborn برای مصورسازی پیشرفته
• 16. تشخیص الگو در داده‌ها
• 17. مقدمه ای بر یادگیری ماشین
• 18. انواع الگوریتم‌های یادگیری ماشین
• 19. مدل‌های یادگیری نظارت شده
• 20. رگرسیون خطی
• 21. رگرسیون لجستیک
• 22. ماشین‌های بردار پشتیبان (SVM)
• 23. درختان تصمیم
• 24. جنگل‌های تصادفی
• 25. مدل‌های یادگیری بدون نظارت
• 26. خوشه‌بندی K-Means
• 27. خوشه‌بندی سلسله مراتبی
• 28. تحلیل مولفه‌های اصلی (PCA)
• 29. تشخیص ناهنجاری
• 30. مقدمه ای بر پیش‌بینی روند
• 31. تعریف روند و الگوهای زمانی
• 32. تحلیل سری‌های زمانی
• 33. شناسایی روند صعودی و نزولی
• 34. شناسایی فصلیت
• 35. شناسایی دوره‌های تناوب
• 36. متوسط متحرک ساده (SMA)
• 37. متوسط متحرک وزنی (WMA)
• 38. شاخص قدرت نسبی (RSI)
• 39. میانگین متحرک همگرایی/واگرایی (MACD)
• 40. تجزیه و تحلیل آماری سری‌های زمانی
• 41. مدل ARIMA
• 42. مدل SARIMA
• 43. مدل‌های پیش‌بینی مبتنی بر الگوریتم
• 44. پیاده‌سازی مدل‌های یادگیری ماشین برای پیش‌بینی
• 45. آماده‌سازی داده‌ها برای مدل‌های پیش‌بینی
• 46. تقسیم داده‌ها به مجموعه آموزش و آزمون
• 47. ارزیابی مدل‌های پیش‌بینی
• 48. معیارهای ارزیابی: MSE و RMSE
• 49. معیارهای ارزیابی: MAE و MAPE
• 50. تکنیک‌های اعتبارسنجی متقابل (Cross-Validation)
• 51. کار با داده‌های تاریخی قیمت سهام
• 52. استخراج داده‌های سهام با کتابخانه‌های پایتون
• 53. تحلیل داده‌های قیمت سهام
• 54. تشخیص روند در داده‌های سهام
• 55. پیاده‌سازی میانگین متحرک برای سهام
• 56. سیگنال‌های خرید و فروش بر اساس میانگین متحرک
• 57. تحلیل فصلیت در بازارهای مالی
• 58. شناسایی الگوهای شمعی ژاپنی
• 59. استفاده از RSI برای شناسایی اشباع خرید و فروش
• 60. استفاده از MACD برای شناسایی کراس‌اوورها
• 61. مقدمه ای بر یادگیری عمیق برای پیش‌بینی
• 62. شبکه‌های عصبی بازگشتی (RNN)
• 63. شبکه‌های حافظه طولانی کوتاه مدت (LSTM)
• 64. پیاده‌سازی LSTM برای پیش‌بینی سری زمانی
• 65. ساختار لایه‌های LSTM
• 66. تابع فعال‌سازی در LSTM
• 67. بهینه‌سازی هایپرپارامترها در LSTM
• 68. تنظیم اندازه دسته‌ها (Batch Size)
• 69. تنظیم نرخ یادگیری (Learning Rate)
• 70. تنظیم تعداد دوره‌های آموزش (Epochs)
• 71. روش‌های تنظیم‌کننده (Regularization)
• 72. کاهش افت (Dropout)
• 73. تشخیص و پیش‌بینی روند در بازارهای ارز دیجیتال
• 74. استفاده از داده‌های ارز دیجیتال
• 75. چالش‌های پیش‌بینی در بازارهای ارز دیجیتال
• 76. پیش‌بینی قیمت با مدل‌های ساده
• 77. پیش‌بینی قیمت با مدل‌های پیشرفته
• 78. تحلیل احساسات بازار (Sentiment Analysis)
• 79. مقدمه ای بر پردازش زبان طبیعی (NLP)
• 80. استفاده از NLP برای تحلیل اخبار مالی
• 81. استخراج اطلاعات از متون خبری
• 82. بنیان‌های تحلیل احساسات
• 83. کتابخانه‌های NLP در پایتون: NLTK
• 84. کتابخانه‌های NLP در پایتون: spaCy
• 85. کتابخانه‌های NLP در پایتون: TextBlob
• 86. ساخت مدل تحلیل احساسات ساده
• 87. ارزیابی مدل تحلیل احساسات
• 88. ادغام تحلیل احساسات با پیش‌بینی روند
• 89. تاثیر اخبار بر قیمت دارایی‌ها
• 90. کار با API های خبری
• 91. کتابخانه‌های مفید برای کار با API ها
• 92. نمونه عملی: پیش‌بینی روند با داده‌های واقعی
• 93. جمع‌آوری داده‌های مورد نیاز
• 94. پیش‌پردازش و پاکسازی داده‌ها
• 95. انتخاب و پیاده‌سازی مدل مناسب
• 96. آموزش مدل و ارزیابی نتایج
• 97. تفسیر نتایج پیش‌بینی
• 98. معرفی کتابخانه Prophet از فیسبوک
• 99. استفاده از Prophet برای پیش‌بینی سری زمانی
• 100. قابلیت‌های Prophet در شناسایی روند و فصلیت