فلش‌کارت‌های آموزشی پیش‌بینی روندهای داده‌های عمومی: روش‌ها و ابزارها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیش‌بینی روندهای داده‌های عمومی: روش‌ها و ابزارها

موضوع کلی: مدیریت و حکمرانی داده‌های عمومی

موضوع میانی: تحلیل پیش‌بینانه و توصیفی

📋 سرفصل‌های دوره

• 1. مقدمه ای بر پیش‌بینی روند
• 2. اهمیت پیش‌بینی روند
• 3. انواع داده‌های عمومی
• 4. ویژگی‌های داده‌های عمومی
• 5. تعریف روند در داده‌ها
• 6. روش‌های شناسایی روند
• 7. تحلیل سری زمانی
• 8. مفاهیم پایه سری زمانی
• 9. اجزای سری زمانی: روند، فصلی، چرخه، نویز
• 10. تشخیص و حذف روند
• 11. مدل‌سازی روند خطی
• 12. مدل‌سازی روند غیرخطی
• 13. روش‌های هموارسازی نمایی
• 14. هموارسازی نمایی تک متغیره
• 15. هموارسازی نمایی دوگانه (هولت)
• 16. هموارسازی نمایی سه گانه (هولت-وینترز)
• 17. پارامترهای مدل هموارسازی نمایی
• 18. انتخاب پارامترهای بهینه
• 19. پیش‌بینی با استفاده از هموارسازی نمایی
• 20. ارزیابی دقت پیش‌بینی با هموارسازی نمایی
• 21. مدل‌های ARIMA
• 22. مفاهیم پایه ARIMA
• 23. AR: مدل خودرگرسیو
• 24. MA: میانگین متحرک
• 25. I: تفاضل‌گیری برای ایستا کردن سری
• 26. شناسایی مرتبه مدل ARIMA (p, d, q)
• 27. تابع خودهمبستگی (ACF)
• 28. تابع خودهمبستگی جزئی (PACF)
• 29. روش باکس-جِنکینز
• 30. تخمین پارامترهای مدل ARIMA
• 31. تشخیص برازش مدل ARIMA
• 32. پیش‌بینی با مدل ARIMA
• 33. مثال‌های عملی ARIMA
• 34. مدل‌های تفاضل فصلی ARIMA (SARIMA)
• 35. مفهوم فصلی بودن در سری زمانی
• 36. ساختار مدل SARIMA
• 37. پیش‌بینی با SARIMA
• 38. ارزیابی مدل SARIMA
• 39. مدل‌های رگرسیون برای پیش‌بینی روند
• 40. رگرسیون خطی چندگانه
• 41. متغیرهای مستقل و وابسته
• 42. ساخت متغیرهای مجازی (Dummy Variables)
• 43. مدل‌سازی اثرات تعطیلات و رویدادها
• 44. ارزیابی مدل رگرسیون
• 45. پیش‌بینی با مدل رگرسیون
• 46. محدودیت‌های مدل رگرسیون
• 47. مدل‌های یادگیری ماشین برای پیش‌بینی روند
• 48. مقدمه ای بر یادگیری ماشین
• 49. درختان تصمیم (Decision Trees)
• 50. جنگل‌های تصادفی (Random Forests)
• 51. ماشین‌های بردار پشتیبان (SVM)
• 52. شبکه‌های عصبی مصنوعی (ANN)
• 53. شبکه‌های عصبی بازگشتی (RNN)
• 54. حافظه طولانی کوتاه مدت (LSTM)
• 55. مفهوم گرادیان نزولی
• 56. توابع هزینه (Loss Functions)
• 57. معیارهای ارزیابی عملکرد مدل‌های یادگیری ماشین
• 58. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 59. آماده‌سازی داده‌ها برای مدل‌های یادگیری ماشین
• 60. مهندسی ویژگی (Feature Engineering)
• 61. داده‌های لاگ و تبدیل آن‌ها
• 62. نرمال‌سازی و استانداردسازی داده‌ها
• 63. تقسیم داده‌ها به مجموعه‌های آموزش، اعتبارسنجی و تست
• 64. انتخاب ابزارها و کتابخانه‌ها
• 65. پایتون برای تحلیل داده
• 66. کتابخانه‌های Pandas و NumPy
• 67. کتابخانه‌های Scikit-learn
• 68. کتابخانه‌های Statsmodels
• 69. کتابخانه‌های TensorFlow و Keras
• 70. کتابخانه‌های PyTorch
• 71. ابزارهای تجسم داده
• 72. Matplotlib و Seaborn
• 73. Plotly و Bokeh
• 74. ابزارهای نرم‌افزاری تخصصی
• 75. نرم‌افزارهای آماری
• 76. پلتفرم‌های ابری تحلیل داده
• 77. ملاحظات عملی در پیش‌بینی روند
• 78. جمع‌آوری داده‌های با کیفیت
• 79. پاکسازی و پیش‌پردازش داده‌ها
• 80. شناسایی ناهنجاری‌ها (Outliers)
• 81. مقابله با داده‌های گمشده
• 82. تکرارپذیری در تحلیل
• 83. مستندسازی فرآیند پیش‌بینی
• 84. نظارت بر عملکرد مدل پیش‌بینی
• 85. به‌روزرسانی مدل‌ها
• 86. کاربردها و مطالعات موردی
• 87. پیش‌بینی روندهای اقتصادی
• 88. پیش‌بینی روندهای بازار سهام
• 89. پیش‌بینی روندهای آب و هوایی
• 90. پیش‌بینی روندهای جمعیت شناختی
• 91. پیش‌بینی روندهای تقاضا
• 92. پیش‌بینی روندهای جرم و جنایت
• 93. پیش‌بینی روندهای اجتماعی
• 94. اخلاقیات در پیش‌بینی داده‌ها
• 95. مسائل مربوط به حریم خصوصی
• 96. سوگیری در داده‌ها و مدل‌ها
• 97. مسئولیت‌پذیری در پیش‌بینی
• 98. آینده پیش‌بینی روندهای داده‌ها
• 99. هوش مصنوعی و یادگیری عمیق
• 100. اینترنت اشیاء (IoT) و داده‌های جریانی