چرا یادگیری مدل‌های پیش‌بینی و سری زمانی؟

توانایی پیش‌بینی دقیق، سنگ بنای موفقیت در هر کسب‌وکاری است. این دوره به شما کمک می‌کند تا:

• روندهای آینده فروش، تقاضا و سایر شاخص‌های کلیدی کسب‌وکار را پیش‌بینی کنید.
• نوسانات بازار و اثرات عوامل خارجی بر عملکرد کسب‌وکار را درک کنید.
• موجودی کالا، نیاز به نیروی کار و تخصیص منابع را بهینه سازید.
• عملکرد مدل‌های مختلف پیش‌بینی را ارزیابی و بهترین مدل را انتخاب کنید.
• از پتانسیل داده‌های زمانی خود برای ایجاد مزیت رقابتی بهره ببرید.

با تسلط بر این مهارت‌ها، شما به یک دارایی ارزشمند برای هر سازمانی تبدیل خواهید شد که به دنبال رشد و نوآوری است.

مخاطبان این دوره

این دوره برای افراد زیر ایده‌آل است:

• تحلیلگران داده و دانشمندان داده که به دنبال تقویت مهارت‌های خود در تحلیل سری‌های زمانی هستند.
• مدیران کسب‌وکار و تصمیم‌گیرندگانی که مایلند با استفاده از داده‌ها، پیش‌بینی‌های دقیق‌تری داشته باشند.
• کارشناسان مالی و اقتصادی که با داده‌های سری زمانی سروکار دارند.
• دانشجویان و پژوهشگرانی که علاقه‌مند به یادگیری روش‌های نوین پیش‌بینی هستند.
• هر فردی که با داده‌هایی که به مرور زمان جمع‌آوری می‌شوند، کار می‌کند و به دنبال استخراج اطلاعات ارزشمند از آن‌ها است.

پیش‌نیازهای دوره

برای بهره‌مندی کامل از این دوره، دانش اولیه در زمینه‌های زیر توصیه می‌شود:

• آشنایی با مفاهیم اولیه آمار و احتمال.
• تجربه کار با زبان برنامه‌نویسی پایتون و آشنایی با کتابخانه‌های رایج آن مانند NumPy و Pandas.
• درک مفاهیم پایه‌ای یادگیری ماشین (اختیاری، اما مفید).

نصب و راه‌اندازی محیط توسعه پایتون و کتابخانه‌های مورد نیاز نیز در ابتدای دوره پوشش داده خواهد شد.

آنچه خواهید آموخت: سرفصل‌های دوره

این دوره به صورت مرحله به مرحله شما را با تمام جنبه‌های مدل‌سازی سری‌های زمانی آشنا می‌کند:

بخش اول: مبانی سری‌های زمانی و آماده‌سازی داده‌ها

• مقدمه‌ای بر سری‌های زمانی: تعریف، انواع و کاربردهای سری‌های زمانی در دنیای کسب‌وکار.
• اکتشاف و بصری‌سازی داده‌های سری زمانی: رسم نمودارهای خطی، نمودارهای پراکندگی، تجزیه و تحلیل روند (Trend)، فصلی بودن (Seasonality) و نویز (Noise).
• پیش‌پردازش داده‌های سری زمانی: پاکسازی داده‌ها، مدیریت داده‌های گمشده، نرمال‌سازی و مقیاس‌بندی.
• تجزیه سری زمانی: روش‌های کلاسیک مانند تجزیه جمعی و ضربی.
• ایستایی (Stationarity): مفهوم ایستایی، آزمون‌های ایستایی (مانند آزمون دیکی-فولر تعمیم‌یافته)، و روش‌های تبدیل داده‌های ناایستا به ایستا (مانند تفاضل‌گیری).

بخش دوم: مدل‌های کلاسیک سری زمانی

• مدل‌های میانگین متحرک (Moving Average – MA): درک مفهوم و پیاده‌سازی مدل‌های MA.
• مدل‌های خودرگرسیو (Autoregressive – AR): مفهوم خودرگرسیون و نحوه استفاده از آن.
• مدل‌های ARMA: ترکیب AR و MA برای مدل‌سازی داده‌های ایستا.
• مدل‌های ARIMA: ارتقاء ARMA برای داده‌های ناایستا، شامل پارامترهای (p, d, q).
• مدل‌های SARIMA: لحاظ کردن مؤلفه فصلی در مدل‌های ARIMA.
• مدل‌های نمایی هموارسازی (Exponential Smoothing): مانند Holt-Winters برای پیش‌بینی داده‌های دارای روند و فصل.

بخش سوم: مدل‌های پیشرفته سری زمانی با پایتون

• بسته‌های پایتون برای سری زمانی: معرفی و استفاده از کتابخانه‌های قدرتمند مانند Statsmodels, Prophet (توسعه یافته توسط فیسبوک) و Sktime.
• مدل Prophet: یادگیری نحوه استفاده از Prophet برای پیش‌بینی دقیق در کسب‌وکارها، مدیریت تعطیلات و رویدادهای خاص.
• مدل‌های مبتنی بر یادگیری ماشین:
  • استفاده از رگرسیون خطی و منظم (Lasso, Ridge) با ویژگی‌های وابسته به زمان.
  • مدل‌های مبتنی بر درخت تصمیم مانند Random Forest و Gradient Boosting (مانند XGBoost, LightGBM) برای پیش‌بینی سری زمانی.
  • معرفی مدل‌های سری زمانی مبتنی بر شبکه‌های عصبی مانند LSTM (Long Short-Term Memory) و CNN (Convolutional Neural Network) برای مسائل پیچیده‌تر.
• انباشت مدل‌ها (Ensemble Methods): ترکیب پیش‌بینی‌های مدل‌های مختلف برای بهبود دقت.

بخش چهارم: ارزیابی مدل و پیاده‌سازی در کسب‌وکار

• معیارهای ارزیابی مدل: آشنایی با معیارهایی مانند MAE, MSE, RMSE, MAPE, SMAPE.
• اعتبارسنجی متقابل سری زمانی (Time Series Cross-Validation): تکنیک‌های مناسب برای اعتبارسنجی مدل‌های سری زمانی.
• مطالعات موردی (Case Studies):
  • پیش‌بینی فروش روزانه/هفتگی یک فروشگاه.
  • پیش‌بینی ترافیک وب‌سایت.
  • تحلیل و پیش‌بینی قیمت سهام.
  • مدل‌سازی مصرف انرژی.
• پیاده‌سازی مدل‌های پیش‌بینی در سیستم‌های کسب‌وکار: نحوه ادغام مدل‌های ساخته شده در فرآیندهای عملیاتی.

نکات کلیدی و مزایای این دوره

• یادگیری عملی با پایتون: تمامی مباحث با مثال‌های کدنویسی زنده و کاربردی در پایتون ارائه می‌شوند.
• محتوای جامع و به‌روز: پوشش مدل‌های کلاسیک تا پیشرفته و الگوریتم‌های مدرن.
• ارائه بر روی فلش مموری 32GB: دسترسی سریع، آسان و آفلاین به تمامی ویدئوها، کدها و داده‌های آموزشی.
• مطالعات موردی واقعی: درک چگونگی اعمال تکنیک‌ها در سناریوهای عملیاتی کسب‌وکار.
• تقویت مهارت‌های تحلیلی: تبدیل شدن به یک تحلیلگر داده ماهر در زمینه سری‌های زمانی.