سپنتا کتاب اکسپرس
کتاب مقدمه‌ای بر پردازش و دستکاری داده‌های سری زمانی با پایتون

کتاب مقدمه‌ای بر پردازش و دستکاری داده‌های سری زمانی با پایتون

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

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر پردازش و دستکاری داده‌های سری زمانی با پایتون

موضوع کلی: علم داده و تحلیل آماری

موضوع میانی: تحلیل سری‌های زمانی

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر داده‌های سری زمانی
  • 2. مفهوم سری زمانی و اهمیت آن
  • 3. انواع داده‌های سری زمانی
  • 4. جمع‌آوری داده‌های سری زمانی
  • 5. ذخیره‌سازی داده‌های سری زمانی
  • 6. ساختار داده‌های سری زمانی در پایتون
  • 7. کتابخانه Pandas برای کار با سری‌های زمانی
  • 8. DataFrame و Series در Pandas
  • 9. خواندن داده‌های سری زمانی از فایل‌ها
  • 10. نوشتن داده‌های سری زمانی در فایل‌ها
  • 11. شاخص زمانی (Datetime Index)
  • 12. ساخت شاخص زمانی دستی
  • 13. تولید شاخص زمانی با بازه‌های زمانی
  • 14. کار با تاریخ و زمان در پایتون
  • 15. عملیات تاریخ و زمان با Pandas
  • 16. تغییر مقیاس زمانی (Resampling)
  • 17. بالا بردن مقیاس زمانی (Upsampling)
  • 18. پایین آوردن مقیاس زمانی (Downsampling)
  • 19. تجمیع داده‌ها در بازه‌های زمانی
  • 20. توزیع داده‌ها در بازه‌های زمانی
  • 21. فیلتر کردن داده‌ها بر اساس تاریخ
  • 22. انتخاب داده‌ها بر اساس بازه زمانی
  • 23. تقسیم داده‌ها به بخش‌های زمانی
  • 24. ادغام داده‌های سری زمانی
  • 25. هم‌تراز کردن سری‌های زمانی
  • 26. تغییر زمان‌بندی سری‌های زمانی
  • 27. محاسبه اختلاف زمانی بین داده‌ها
  • 28. هموارسازی سری‌های زمانی (Smoothing)
  • 29. میانگین متحرک ساده (Simple Moving Average)
  • 30. میانگین متحرک وزنی (Weighted Moving Average)
  • 31. هموارسازی نمایی (Exponential Smoothing)
  • 32. پیش‌بینی سری‌های زمانی
  • 33. مدل‌های ساده پیش‌بینی
  • 34. مدل ARIMA (مقدمه)
  • 35. اجزای مدل ARIMA
  • 36. تخمین پارامترهای ARIMA
  • 37. تشخیص مدل ARIMA
  • 38. کاربرد مدل‌های ARIMA در تحلیل داده
  • 39. تحلیل مولفه‌های سری زمانی (روند، فصلی، نویز)
  • 40. شناسایی روند در سری زمانی
  • 41. شناسایی فصلی بودن در سری زمانی
  • 42. حذف مولفه روند
  • 43. حذف مولفه فصلی
  • 44. باقیمانده سری زمانی (Residuals)
  • 45. تحلیل باقیمانده‌ها
  • 46. آزمون‌های آماری برای سری‌های زمانی
  • 47. آزمون ایستایی (Stationarity)
  • 48. آزمون دیک-فولر تعمیم‌یافته (ADF)
  • 49. آزمون کوی-پرون (KPSS)
  • 50. تبدیل سری‌های زمانی به ایستایی
  • 51. آزمون همبستگی سری‌های زمانی
  • 52. تابع خودهمبستگی (ACF)
  • 53. تابع خودهمبستگی جزئی (PACF)
  • 54. تفسیر نمودارهای ACF و PACF
  • 55. شناسایی مدل از روی ACF و PACF
  • 56. کاربرد مدل‌های SARIMA
  • 57. مدل‌های پیشرفته‌تر سری زمانی
  • 58. مدل‌های مبتنی بر یادگیری ماشین
  • 59. شبکه‌های عصبی بازگشتی (RNN)
  • 60. شبکه‌های حافظه طولانی کوتاه مدت (LSTM)
  • 61. کاربرد LSTM در پیش‌بینی سری زمانی
  • 62. مدل‌های مبتنی بر درخت تصمیم
  • 63. جنگل تصادفی (Random Forest)
  • 64. گرادیان بوستینگ (Gradient Boosting)
  • 65. مدل‌های ترکیبی (Ensemble)
  • 66. ارزیابی مدل‌های سری زمانی
  • 67. معیارهای ارزیابی مدل
  • 68. خطای میانگین مربعات (MSE)
  • 69. ریشه خطای میانگین مربعات (RMSE)
  • 70. خطای میانگین مطلق (MAE)
  • 71. نرمال‌سازی داده‌های سری زمانی
  • 72. مقیاس‌بندی داده‌ها
  • 73. تکنیک‌های پیش‌پردازش برای مدل‌های یادگیری ماشین
  • 74. استخراج ویژگی از سری‌های زمانی
  • 75. کاربرد علم داده در تحلیل اقتصادی
  • 76. تحلیل روند بازار سهام
  • 77. پیش‌بینی قیمت‌ها
  • 78. تحلیل داده‌های آب و هوایی
  • 79. پیش‌بینی بارش
  • 80. تحلیل داده‌های ترافیک
  • 81. پیش‌بینی ازدحام
  • 82. تحلیل داده‌های پزشکی
  • 83. پیش‌بینی شیوع بیماری
  • 84. کاربردهای سری زمانی در صنعت
  • 85. مدیریت موجودی
  • 86. پیش‌بینی تقاضا
  • 87. تکنیک‌های تجسم داده‌های سری زمانی
  • 88. نمودار خطی
  • 89. نمودار پراکندگی
  • 90. نمودار جعبه‌ای
  • 91. نمودارهای فصلی
  • 92. نمودارهای روند
  • 93. ملاحظات اخلاقی در تحلیل سری‌های زمانی
  • 94. حریم خصوصی داده‌ها
  • 95. سوگیری در مدل‌ها
  • 96. تفسیر نتایج مدل‌ها
  • 97. نمایش شفاف نتایج
  • 98. کاربرد پایتون در علم داده
  • 99. کتابخانه NumPy
  • 100. کتابخانه Matplotlib

📚 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.