اپلیکیشن اندرویدی فلش‌کارت آموزشی پیش‌بینی سازگار سری‌های زمانی: یک معرفی جامع و کاربردی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیش‌بینی سازگار سری‌های زمانی: یک معرفی جامع و کاربردی

موضوع کلی: یادگیری ماشین

موضوع میانی: پیش‌بینی سری‌های زمانی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر سری‌های زمانی و اهمیت پیش‌بینی
• 2. انواع داده‌های سری زمانی و مثال‌ها
• 3. اجزای سری زمانی: روند، فصلی، چرخه‌ای و نویز
• 4. نمودارها و تجسم‌سازی اولیه سری‌های زمانی
• 5. مفهوم ایستایی (Stationarity) در سری‌های زمانی
• 6. آزمون‌های ایستایی: آزمون دیکی-فولر تعمیم‌یافته (ADF)
• 7. پیش‌پردازش سری‌های زمانی: داده‌های گمشده و نویز
• 8. تحول‌داده‌ها (Transformations) برای تثبیت واریانس
• 9. مدل‌های پایه پیش‌بینی: روش Naive و میانگین متحرک
• 10. هموارسازی نمایی ساده (SES) برای سری‌های بدون روند و فصلی
• 11. روش هولت (Holt) برای سری‌های دارای روند
• 12. روش هولت-وینترز (Holt-Winters) برای سری‌های دارای روند و فصلی
• 13. معرفی مدل‌های خودرگرسیو (AR)
• 14. معرفی مدل‌های میانگین متحرک (MA)
• 15. مدل‌های خودرگرسیو میانگین متحرک (ARMA)
• 16. مدل‌های یکپارچه خودرگرسیو میانگین متحرک (ARIMA)
• 17. شناسایی و انتخاب مرتبه ARIMA: نمودارهای ACF و PACF
• 18. مدل‌های فصلی ARIMA (SARIMA)
• 19. گام‌های مدل‌سازی با ARIMA/SARIMA
• 20. معیارهای ارزیابی پیش‌بینی نقطه ای: MAE, RMSE, MAPE
• 21. خطای میانگین مربع ریشه (RMSE) و تفسیر آن
• 22. خطای مطلق میانگین (MAE) و کاربرد آن
• 23. درصد خطای مطلق میانگین (MAPE) و محدودیت‌ها
• 24. مفهوم پیش‌بینی در برابر پیش‌بینی مجدد (Forecasting vs. Backcasting)
• 25. تقسیم‌بندی داده‌ها: آموزش، اعتبارسنجی و آزمون در سری‌های زمانی
• 26. اهمیت کمی‌سازی عدم قطعیت در پیش‌بینی
• 27. پیش‌بینی نقطه‌ای در مقابل پیش‌بینی بازه‌ای
• 28. فواصل اطمینان (Confidence Intervals) و فواصل پیش‌بینی (Prediction Intervals)
• 29. تفاوت‌های کلیدی بین فواصل اطمینان و پیش‌بینی
• 30. روش‌های پارامتریک ساخت فواصل پیش‌بینی
• 31. فرض نرمال بودن خطاها در فواصل پیش‌بینی سنتی
• 32. محدودیت‌های فواصل پیش‌بینی مبتنی بر مدل
• 33. روش بوت‌استرپ (Bootstrap) برای ساخت فواصل پیش‌بینی
• 34. رگرسیون کوانتایل (Quantile Regression) برای پیش‌بینی بازه‌ای
• 35. مشکلات تضمین پوشش (Coverage Guarantee) در روش‌های سنتی
• 36. ایده اصلی و شهود پشت پیش‌بینی سازگار
• 37. تضمین‌های اعتباری معتبر (Validity Guarantees) در CP
• 38. مفهوم مجموعه‌های پیش‌بینی (Prediction Sets)
• 39. امتیازات عدم انطباق (Non-conformity Scores)
• 40. توابع امتیازدهی عدم انطباق: مثال‌های اولیه
• 41. مجموعه کالیبراسیون (Calibration Set) در CP
• 42. محاسبه کوانتایل امتیازات عدم انطباق
• 43. سطح معنی‌داری (Significance Level) آلفا و تفسیر آن
• 44. تشکیل فواصل پیش‌بینی سازگار
• 45. پیش‌بینی سازگار استقرایی (Inductive Conformal Prediction - ICP)
• 46. تقسیم داده‌ها برای ICP: آموزش، کالیبراسیون و آزمون
• 47. فرض تبادل‌پذیری (Exchangeability) در CP
• 48. امتیازات P (P-values) در پیش‌بینی سازگار
• 49. تفاوت CP با روش‌های آماری و بیزی سنتی
• 50. مزایای اصلی پیش‌بینی سازگار: توزیع‌ناوابسته (Distribution-Free) و تضمین پوشش
• 51. پیاده‌سازی ICP برای مسائل رگرسیون
• 52. انتخاب تابع امتیاز عدم انطباق برای رگرسیون
• 53. مثال عملی: ICP با مدل رگرسیون خطی
• 54. تأثیر اندازه مجموعه کالیبراسیون بر فواصل
• 55. مفهوم کارایی (Efficiency) فواصل پیش‌بینی
• 56. پیش‌بینی سازگار تراگزاره‌ای (Transductive Conformal Prediction - TCP)
• 57. الگوریتم TCP و تفاوت آن با ICP
• 58. محاسبات پرهزینه در TCP و راه‌حل‌ها
• 59. توسعه از رگرسیون به طبقه‌بندی با CP
• 60. پیاده‌سازی CP با کتابخانه‌های پایتون
• 61. چالش‌های اعمال CP بر سری‌های زمانی: وابستگی داده‌ها
• 62. نقض فرض تبادل‌پذیری در سری‌های زمانی
• 63. عدم ایستایی و رانش مفهوم (Concept Drift) در سری‌های زمانی
• 64. استراتژی‌های تقسیم‌بندی داده برای سری‌های زمانی در CP
• 65. پنجره‌های متحرک (Rolling Windows) برای کالیبراسیون
• 66. پیش‌بینی سازگار تطبیقی (Adaptive Conformal Prediction - ACP)
• 67. الگوریتم ACP برای مقابله با عدم ایستایی
• 68. امتیازات عدم انطباق وابسته به زمان
• 69. پیش‌بینی سازگار کوانتایل رگرسیون (Conformalized Quantile Regression - CQR)
• 70. مزایای CQR برای سری‌های زمانی ناهمگون
• 71. ترکیب CQR با مدل‌های پایه قوی
• 72. پیش‌بینی سازگار متقاطع (Cross-Conformal Prediction - CCP) برای سری‌های زمانی
• 73. گام‌های پیاده‌سازی CCP در عمل
• 74. تاثیر طول افق پیش‌بینی بر فواصل سازگار
• 75. روش‌های بلوکی برای حفظ وابستگی در سری‌های زمانی
• 76. استفاده از ARIMA به عنوان مدل پایه در CP
• 77. پیش‌بینی سازگار با Prophet
• 78. پیش‌بینی سازگار با مدل‌های یادگیری ماشین (XGBoost, LightGBM)
• 79. شبکه‌های عصبی بازگشتی (RNNs) و LSTM در CP
• 80. مدل‌های ترنسفورمر (Transformers) برای سری‌های زمانی با CP
• 81. پیش‌بینی سازگار با ویژگی‌های خارجی (Exogenous Features)
• 82. پیش‌بینی چند مرحله‌ای (Multi-step Forecasting) با CP
• 83. استراتژی‌های اصلاح مجموعه کالیبراسیون در طول زمان
• 84. پیش‌بینی سازگار برای سری‌های زمانی دارای روند و فصلی قوی
• 85. انتخاب بهترین مدل پایه برای CP در سناریوهای مختلف
• 86. معیارهای ارزیابی فواصل پیش‌بینی سازگار
• 87. پوشش تجربی (Empirical Coverage) و مقایسه با پوشش اسمی
• 88. پهنای فاصله پیش‌بینی (Prediction Interval Width - PIW)
• 89. میانگین نرمال شده پهنای فاصله پیش‌بینی (PINAW)
• 90. امتیاز وینکلر (Winkler Score) برای ارزیابی جامع
• 91. معیار CRPS (Continuous Ranked Probability Score) برای پیش‌بینی‌های احتمالی
• 92. پیش‌بینی سازگار آنلاین و به‌روزرسانی مداوم
• 93. پیش‌بینی سازگار سلسله مراتبی (Hierarchical Conformal Forecasting)
• 94. پیش‌بینی سازگار چند متغیره (Multi-variate Conformal Forecasting)
• 95. مقایسه CP با روش‌های بیزی برای عدم قطعیت
• 96. نکات عملی و بهینه‌سازی هایپرپارامترهای CP
• 97. محدودیت‌ها و چالش‌های CP در مقیاس بزرگ
• 98. کاربردهای CP در صنعت: انرژی، مالی، زنجیره تامین
• 99. اخلاق و شفافیت در پیش‌بینی‌های مبتنی بر عدم قطعیت
• 100. جهت‌گیری‌های آینده در تحقیقات پیش‌بینی سازگار سری‌های زمانی