سپنتا کتاب اکسپرس
کتاب جامع تحلیل و پیش‌بینی سری‌های زمانی: از مبانی تا مدل‌های پیشرفته

کتاب جامع تحلیل و پیش‌بینی سری‌های زمانی: از مبانی تا مدل‌های پیشرفته

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 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 جامع تحلیل و پیش‌بینی سری‌های زمانی: از مبانی تا مدل‌های پیشرفته

موضوع کلی: علم داده (Data Science)

موضوع میانی: تحلیل سری‌های زمانی و پیش‌بینی (Time Series Analysis and Forecasting)

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه‌ای بر علم داده و جایگاه تحلیل سری‌های زمانی
  • 2. سری زمانی چیست؟ مثال‌ها و کاربردهای دنیای واقعی
  • 3. اجزای یک سری زمانی: روند، فصلی بودن، چرخه و نویز
  • 4. تجسم داده‌های سری زمانی: نمودار زمانی و نمودارهای فصلی
  • 5. مفهوم ایستایی (Stationarity) و اهمیت آن در تحلیل
  • 6. فرآیندهای کاملاً تصادفی و نویز سفید (White Noise)
  • 7. مدل‌های مبتنی بر تجزیه (Decomposition Models): جمعی و ضربی
  • 8. هموارسازی نمایی ساده (Simple Exponential Smoothing)
  • 9. هموارسازی نمایی هولت (Holt's Linear Trend Method)
  • 10. هموارسازی نمایی هولت-وینترز (Holt-Winters' Seasonal Method)
  • 11. تابع خودهمبستگی (ACF): تعریف، محاسبه و تفسیر
  • 12. تابع خودهمبستگی جزئی (PACF): تعریف، محاسبه و تفسیر
  • 13. آزمون‌های ایستایی: آزمون دیکی-فولر تعمیم‌یافته (ADF)
  • 14. آزمون ایستایی KPSS
  • 15. تبدیل داده‌ها برای رسیدن به ایستایی: تفاضل‌گیری (Differencing)
  • 16. تبدیل‌های پایدارکننده واریانس: لگاریتم و تبدیل باکس-کاکس
  • 17. مقدمه‌ای بر فرآیندهای خودرگرسیو (Autoregressive - AR)
  • 18. ویژگی‌های مدل AR(p) و شرط ایستایی
  • 19. شناسایی مرتبه مدل AR با استفاده از PACF
  • 20. مقدمه‌ای بر فرآیندهای میانگین متحرک (Moving Average - MA)
  • 21. ویژگی‌های مدل MA(q) و شرط معکوس‌پذیری
  • 22. شناسایی مرتبه مدل MA با استفاده از ACF
  • 23. مدل‌های ترکیبی خودرگرسیو میانگین متحرک (ARMA)
  • 24. ویژگی‌های مدل ARMA(p,q)
  • 25. روش‌شناسی باکس-جنکینز: یک نمای کلی
  • 26. گام اول باکس-جنکینز: شناسایی مدل (Model Identification)
  • 27. استفاده همزمان از ACF و PACF برای شناسایی مدل ARMA
  • 28. گام دوم باکس-جنکینز: تخمین پارامترها
  • 29. روش‌های تخمین: گشتاورها، حداقل مربعات و حداکثر درستنمایی
  • 30. گام سوم باکس-جنکینز: ارزیابی و تشخیص مدل (Diagnostic Checking)
  • 31. تحلیل باقیمانده‌ها: اطمینان از نویز سفید بودن خطاها
  • 32. آزمون‌های باقیمانده‌ها: آزمون Ljung-Box
  • 33. معیارهای اطلاعاتی برای انتخاب مدل: AIC و BIC
  • 34. مدل‌های غیرایستا: فرآیند گام تصادفی (Random Walk)
  • 35. معرفی مدل‌های ARIMA(p,d,q)
  • 36. نقش پارامتر تفاضل‌گیری (d) در مدل‌های ARIMA
  • 37. شناسایی، تخمین و ارزیابی مدل‌های ARIMA
  • 38. مفهوم فصلی بودن در سری‌های زمانی
  • 39. تفاضل‌گیری فصلی برای حذف اثرات فصلی
  • 40. مدل‌های SARIMA برای داده‌های دارای الگوی فصلی
  • 41. شناسایی پارامترهای مدل SARIMA(p,d,q)(P,D,Q)s
  • 42. مطالعه موردی: پیاده‌سازی کامل یک مدل SARIMA
  • 43. مبانی پیش‌بینی در سری‌های زمانی
  • 44. پیش‌بینی یک-قدم-به-جلو (One-step-ahead Forecasting)
  • 45. پیش‌بینی چند-قدم-به-جلو (Multi-step-ahead Forecasting)
  • 46. محاسبه و تفسیر فواصل پیش‌بینی (Prediction Intervals)
  • 47. به‌روزرسانی پیش‌بینی‌ها با دریافت داده‌های جدید
  • 48. معیارهای ارزیابی دقت پیش‌بینی: MAE, MSE, RMSE
  • 49. معیارهای ارزیابی نسبی: MAPE و sMAPE
  • 50. مقایسه مدل‌های مختلف بر اساس دقت پیش‌بینی
  • 51. مقدمه‌ای بر تحلیل طیفی (Spectral Analysis)
  • 52. تبدیل فوریه برای سری‌های زمانی
  • 53. پریودوگرام (Periodogram) و کاربرد آن در یافتن دوره‌های تناوب
  • 54. تخمین چگالی طیفی (Spectral Density Estimation)
  • 55. مقدمه‌ای بر سری‌های زمانی چندمتغیره (Multivariate Time Series)
  • 56. مفهوم همبستگی متقابل (Cross-Correlation)
  • 57. مدل‌های بردار خودرگرسیو (Vector Autoregression - VAR)
  • 58. شناسایی و تخمین مدل‌های VAR
  • 59. مفهوم هم‌انباشتگی (Cointegration) و آزمون آن
  • 60. مدل‌های تصحیح خطای برداری (Vector Error Correction Models - VECM)
  • 61. مدل‌های تابع انتقال (Transfer Function Models)
  • 62. تحلیل مداخله (Intervention Analysis)
  • 63. تشخیص نقاط پرت (Outlier Detection) در سری‌های زمانی
  • 64. مقدمه‌ای بر مدل‌های فضای حالت (State-Space Models)
  • 65. نمایش مدل‌های ARIMA در قالب فضای حالت
  • 66. معادلات حالت و معادلات مشاهده
  • 67. فیلتر کالمن (Kalman Filter): الگوریتم و کاربردها
  • 68. پیش‌بینی با استفاده از فیلتر کالمن
  • 69. هموارسازی کالمن (Kalman Smoothing)
  • 70. تخمین پارامترهای نامعلوم در مدل‌های فضای حالت
  • 71. مدل روند خطی محلی (Local Linear Trend Model)
  • 72. مدل ساختاری پایه (Basic Structural Model)
  • 73. مدل‌سازی نوسانات: ناهمسانی واریانس شرطی (Conditional Heteroskedasticity)
  • 74. معرفی مدل‌های ARCH
  • 75. ویژگی‌ها و محدودیت‌های مدل ARCH
  • 76. مدل‌های GARCH و انواع آن (GARCH, EGARCH, GJR-GARCH)
  • 77. تخمین و پیش‌بینی نوسانات با مدل‌های GARCH
  • 78. مقدمه‌ای بر مدل‌های غیرخطی سری‌های زمانی
  • 79. مدل‌های رگرسیون انتقال هموار (Smooth Transition Regression - STR)
  • 80. مدل‌های خودرگرسیو آستانه‌ای (Threshold Autoregressive - TAR)
  • 81. یادگیری ماشین برای پیش‌بینی سری‌های زمانی: یک دید کلی
  • 82. مهندسی ویژگی برای داده‌های سری زمانی
  • 83. اعتبارسنجی متقابل (Cross-Validation) برای سری‌های زمانی
  • 84. استفاده از مدل‌های رگرسیون خطی با ویژگی‌های زمانی
  • 85. استفاده از الگوریتم‌های درختی (Random Forest, Gradient Boosting) برای پیش‌بینی
  • 86. پیش‌بینی با استفاده از الگوریتم Prophet فیسبوک
  • 87. مقدمه‌ای بر شبکه‌های عصبی برای سری‌های زمانی
  • 88. شبکه‌های عصبی بازگشتی (Recurrent Neural Networks - RNN)
  • 89. مشکل محوشدگی گرادیان در RNNs
  • 90. شبکه‌های حافظه طولانی کوتاه‌مدت (Long Short-Term Memory - LSTM)
  • 91. شبکه‌های واحدهای بازگشتی دروازه‌ای (Gated Recurrent Units - GRU)
  • 92. معماری Sequence-to-Sequence برای پیش‌بینی چند مرحله‌ای
  • 93. مکانیسم توجه (Attention Mechanism) در مدل‌های سری زمانی
  • 94. معماری ترنسفورمر (Transformer) برای پیش‌بینی سری‌های زمانی
  • 95. پروژه عملی ۱: پیش‌بینی قیمت سهام با استفاده از ARIMA و GARCH
  • 96. پروژه عملی ۲: تحلیل و پیش‌بینی داده‌های فروش فصلی با SARIMA و Prophet
  • 97. پروژه عملی ۳: پیش‌بینی مصرف انرژی با استفاده از مدل‌های LSTM
  • 98. پروژه عملی ۴: تحلیل سری زمانی چندمتغیره با مدل VAR
  • 99. مقایسه عملکرد مدل‌های کلاسیک و مدل‌های یادگیری عمیق
  • 100. چالش‌های عملی در پروژه‌های سری زمانی

📚 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

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.