کتاب تحلیل سری‌های زمانی با پایتون: پیش‌بینی و مدل‌سازی
, ,

کتاب تحلیل سری‌های زمانی با پایتون: پیش‌بینی و مدل‌سازی

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperCourse-0000013553 دسته: , , برچسب: , , , , , , , , , , , , , ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب تحلیل سری‌های زمانی با پایتون: پیش‌بینی و مدل‌سازی

موضوع کلی: برنامه نویسی

موضوع میانی: علم داده (Data Science)

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه‌ای بر تحلیل سری‌های زمانی و اهمیت آن
  • 2. مفاهیم پایه: سری زمانی، داده‌های زمانی، انواع داده‌های زمانی
  • 3. نصب و راه‌اندازی پایتون و کتابخانه‌های مورد نیاز (Pandas، NumPy، Matplotlib، Statsmodels)
  • 4. مروری بر Pandas: ساختار داده DataFrame و Series
  • 5. خواندن و نوشتن داده‌های سری زمانی با Pandas
  • 6. پیش‌پردازش داده‌های سری زمانی: تمیز کردن داده‌ها، حذف مقادیر گمشده
  • 7. تبدیل داده‌های سری زمانی: تغییر مقیاس، نرمال‌سازی، یکنواخت‌سازی
  • 8. استخراج ویژگی‌ها از داده‌های سری زمانی: تاریخ، زمان، فصل
  • 9. تجسم داده‌های سری زمانی: نمودارهای خطی، پراکندگی، هیستوگرام
  • 10. شناسایی الگوهای پایه در سری‌های زمانی: روند، فصلی بودن، چرخه
  • 11. تحلیل توصیفی سری‌های زمانی: آمار خلاصه، میانگین، انحراف معیار، چارک‌ها
  • 12. تجزیه سری زمانی: تفکیک روند، فصلی بودن و باقیمانده
  • 13. مفهوم ایستایی و ناایستایی در سری‌های زمانی
  • 14. آزمون ایستایی: آزمون دیکی-فولر تعمیم‌یافته (ADF)
  • 15. تبدیلات برای ایستایی‌سازی سری‌های زمانی: تفاضل‌گیری، لگاریتم
  • 16. خودهمبستگی و همبستگی جزئی خودکار (ACF و PACF)
  • 17. شناسایی و تشخیص ACF و PACF
  • 18. مدل‌های میانگین متحرک خودرگرسیو (ARMA): مقدمه
  • 19. برآورد پارامترهای مدل ARMA
  • 20. انتخاب مدل ARMA: معیار اطلاعات آکائیک (AIC) و معیار اطلاعات بویزی (BIC)
  • 21. ارزیابی مدل ARMA: باقی‌مانده‌ها و نمودارهای آن‌ها
  • 22. مدل‌های میانگین متحرک خودرگرسیو انتگرالی (ARIMA): مقدمه
  • 23. برآورد پارامترهای مدل ARIMA
  • 24. انتخاب مدل ARIMA
  • 25. ارزیابی مدل ARIMA
  • 26. پیش‌بینی با مدل‌های ARIMA
  • 27. مدل‌سازی فصلی (SARIMA): مقدمه
  • 28. برآورد پارامترهای مدل SARIMA
  • 29. انتخاب مدل SARIMA
  • 30. ارزیابی مدل SARIMA
  • 31. پیش‌بینی با مدل‌های SARIMA
  • 32. مدل‌های سری زمانی چندمتغیره (VAR): مقدمه
  • 33. برآورد پارامترهای مدل VAR
  • 34. انتخاب مدل VAR
  • 35. ارزیابی مدل VAR
  • 36. پیش‌بینی با مدل‌های VAR
  • 37. مقدمه‌ای بر شبکه‌های عصبی و یادگیری عمیق برای سری‌های زمانی
  • 38. شبکه‌های عصبی بازگشتی (RNN): مقدمه
  • 39. سلول‌های LSTM و GRU
  • 40. ساخت مدل‌های LSTM و GRU در Keras/TensorFlow
  • 41. آموزش و ارزیابی مدل‌های LSTM و GRU
  • 42. مدل‌های پیش‌بینی سری زمانی با استفاده از LSTM
  • 43. مدل‌های پیش‌بینی سری زمانی با استفاده از GRU
  • 44. مدل‌های ترکیبی: ترکیب مدل‌های مختلف
  • 45. بهینه‌سازی هایپرپارامترها برای مدل‌های سری زمانی
  • 46. اعتبارسنجی متقابل برای سری‌های زمانی
  • 47. بررسی اجمالی روش‌های Ensemble برای سری‌های زمانی
  • 48. مدل‌های درخت تصمیم و جنگل تصادفی برای سری‌های زمانی
  • 49. مدل‌سازی با XGBoost برای سری‌های زمانی
  • 50. پردازش داده‌های ورودی برای مدل‌های یادگیری ماشین
  • 51. مدل‌سازی رگرسیون برای سری‌های زمانی
  • 52. تحلیل موجک برای سری‌های زمانی
  • 53. کاربرد تبدیل فوریه در تحلیل سری‌های زمانی
  • 54. تشخیص ناهنجاری‌ها در سری‌های زمانی
  • 55. تحلیل رویدادها در سری‌های زمانی
  • 56. روش‌های تخمین فضای حالت: فیلتر کالمن
  • 57. کاربرد فیلتر کالمن در پیش‌بینی
  • 58. مدل‌سازی GARCH برای داده‌های نوسانی
  • 59. مدل‌سازی ARCH و GARCH
  • 60. آنالیز سری‌های زمانی با استفاده از کتابخانه‌های مختلف (prophet, sktime)
  • 61. آشنایی با کتابخانه Prophet فیسبوک
  • 62. مدل‌سازی سری‌های زمانی با Prophet
  • 63. آشنایی با کتابخانه sktime
  • 64. استفاده از sktime برای پیش‌بینی سری‌های زمانی
  • 65. کاربرد سری‌های زمانی در پیش‌بینی بازار سهام
  • 66. کاربرد سری‌های زمانی در پیش‌بینی آب و هوا
  • 67. کاربرد سری‌های زمانی در پیش‌بینی تقاضای محصول
  • 68. کاربرد سری‌های زمانی در تشخیص کلاهبرداری
  • 69. تحلیل احساسات بر اساس داده‌های سری زمانی
  • 70. آنالیز شبکه‌های اجتماعی با استفاده از سری‌های زمانی
  • 71. کاربرد سری‌های زمانی در اینترنت اشیا (IoT)
  • 72. تکنیک‌های پیش‌بینی پیشرفته: بوت‌استرپینگ
  • 73. تکنیک‌های پیش‌بینی پیشرفته: مدل‌های پویا
  • 74. تکنیک‌های پیش‌بینی پیشرفته: پیش‌بینی غیرخطی
  • 75. مدل‌سازی چند مقیاسی سری‌های زمانی
  • 76. ارزیابی عملکرد مدل‌های پیش‌بینی: MAE، MSE، RMSE، MAPE
  • 77. ارزیابی مدل‌های پیش‌بینی: عملکرد کلی و دقت
  • 78. مقایسه مدل‌های مختلف و انتخاب بهترین مدل
  • 79. مدیریت و ذخیره‌سازی داده‌های سری زمانی
  • 80. مقیاس‌پذیری و عملکرد در تحلیل سری‌های زمانی
  • 81. بهره‌گیری از پردازش موازی برای تحلیل سری‌های زمانی
  • 82. تجسم داده‌های پیش‌بینی
  • 83. گزارش‌دهی و تفسیر نتایج تحلیل سری‌های زمانی
  • 84. اهمیت تفسیر در مدل‌سازی سری‌های زمانی
  • 85. معرفی کتابخانه‌ها و ابزارهای پیشرفته برای تحلیل سری‌های زمانی
  • 86. تکنیک‌های کاهش ابعاد برای سری‌های زمانی
  • 87. آشنایی با پردازش زبان طبیعی (NLP) و سری‌های زمانی
  • 88. ادغام داده‌های سری زمانی با داده‌های دیگر
  • 89. چالش‌ها و محدودیت‌های تحلیل سری‌های زمانی
  • 90. اخلاقیات در استفاده از داده‌های سری زمانی
  • 91. آینده تحلیل سری‌های زمانی و روندها
  • 92. منابع و مراجع برای یادگیری بیشتر
  • 93. پروژه‌های عملی و نمونه‌های موردی
  • 94. تمرین عملی و پیاده‌سازی مدل‌ها
  • 95. جمع‌بندی و مرور کلی دوره
  • 96. ارائه پروژه نهایی و جمع‌بندی نهایی
  • 97. آزمون‌های ایستایی (Stationarity Tests) سری‌های زمانی (مانند ADF و KPSS)
  • 98. تجزیه سری‌های زمانی (Time Series Decomposition): تفکیک روند، فصلی بودن و باقیمانده
  • 99. مدل‌های هموارسازی نمایی (Exponential Smoothing Models): از هموارسازی ساده تا هولت-وینترز
  • 100. مدل‌سازی با AR, MA, ARMA و ARIMA: مفاهیم و پیاده‌سازی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “کتاب تحلیل سری‌های زمانی با پایتون: پیش‌بینی و مدل‌سازی”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مشابه

پیمایش به بالا