اپلیکیشن اندرویدی فلش‌کارت آموزشی تحلیل سریع سری‌های زمانی با استفاده از Polars و شتاب‌دهنده‌های پردازشی NVIDIA

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل سریع سری‌های زمانی با استفاده از Polars و شتاب‌دهنده‌های پردازشی NVIDIA

موضوع کلی: علوم کامپیوتر و پردازش داده

موضوع میانی: تحلیل داده‌های سری زمانی با استفاده از فناوری‌های نوین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر سری‌های زمانی
• 2. مفاهیم پایه سری‌های زمانی
• 3. انواع سری‌های زمانی
• 4. مقدمه‌ای بر کتابخانه Polars
• 5. نصب و راه‌اندازی Polars
• 6. ساختار داده‌ای DataFrame در Polars
• 7. عملیات پایه با Polars
• 8. فیلترینگ و انتخاب داده در Polars
• 9. تجمیع و گروه‌بندی در Polars
• 10. توابع پنجره‌ای در Polars
• 11. انواع داده در Polars
• 12. عملیات رشته‌ای در Polars
• 13. عملیات تاریخ و زمان در Polars
• 14. مدیریت مقادیر گمشده در Polars
• 15. ادغام و پیوستن DataFrame ها
• 16. سری‌های زمانی در Polars
• 17. عملیات پیشرفته سری‌های زمانی در Polars
• 18. مقایسه‌ای بین Polars و Pandas
• 19. مزایای Polars برای سری‌های زمانی
• 20. مقدمه‌ای بر پردازش موازی
• 21. مفاهیم پایگاه‌های پردازشی NVIDIA
• 22. معماری GPU NVIDIA
• 23. CUDA چیست؟
• 24. نصب و راه‌اندازی CUDA Toolkit
• 25. برنامه‌نویسی موازی با CUDA
• 26. مقدمه‌ای بر cuDF
• 27. نصب و راه‌اندازی cuDF
• 28. ساختار داده‌ای DataFrame در cuDF
• 29. عملیات پایه با cuDF
• 30. فیلترینگ و انتخاب داده در cuDF
• 31. تجمیع و گروه‌بندی در cuDF
• 32. توابع پنجره‌ای در cuDF
• 33. عملیات سری‌های زمانی در cuDF
• 34. مقایسه‌ای بین cuDF و Polars
• 35. مزایای cuDF برای سری‌های زمانی
• 36. مقدمه‌ای بر تحلیل سری‌های زمانی
• 37. مدل‌های سری‌های زمانی کلاسیک
• 38. ARIMA و مدل‌های مرتبط
• 39. انواع تجزیه سری‌های زمانی
• 40. روندهای سری‌های زمانی
• 41. فصلیت در سری‌های زمانی
• 42. نوسانات سری‌های زمانی
• 43. شناسایی الگوهای سری‌های زمانی
• 44. پیش‌بینی سری‌های زمانی
• 45. روش‌های ارزیابی مدل‌های سری‌های زمانی
• 46. اعتبار سنجی متقابل برای سری‌های زمانی
• 47. مقدمه‌ای بر یادگیری ماشین برای سری‌های زمانی
• 48. مدل‌های رگرسیون برای سری‌های زمانی
• 49. مدل‌های درخت تصمیم برای سری‌های زمانی
• 50. مدل‌های جنگل تصادفی برای سری‌های زمانی
• 51. مدل‌های تقویت گرادیان برای سری‌های زمانی
• 52. مقدمه‌ای بر شبکه‌های عصبی برای سری‌های زمانی
• 53. شبکه‌های عصبی بازگشتی (RNN)
• 54. حافظه طولانی کوتاه مدت (LSTM)
• 55. واحد بازگشتی دروازه‌ای (GRU)
• 56. شبکه‌های عصبی کانولوشنی (CNN) برای سری‌های زمانی
• 57. مدل‌های ترنسفورمر برای سری‌های زمانی
• 58. کاربرد Polars و cuDF در تحلیل سری‌های زمانی
• 59. پردازش داده‌های بزرگ سری زمانی
• 60. شتاب‌دهی محاسبات سری زمانی با GPU
• 61. بهینه‌سازی عملکرد با Polars و cuDF
• 62. مثال‌های عملی تحلیل سری زمانی با Polars
• 63. مثال‌های عملی تحلیل سری زمانی با cuDF
• 64. تحلیل داده‌های مالی با سری‌های زمانی
• 65. تحلیل داده‌های حسگر با سری‌های زمانی
• 66. تحلیل داده‌های ترافیک با سری‌های زمانی
• 67. تحلیل داده‌های پزشکی با سری‌های زمانی
• 68. تحلیل داده‌های آب و هوایی با سری‌های زمانی
• 69. پیش‌بینی قیمت سهام با سری‌های زمانی
• 70. شناسایی ناهنجاری در سری‌های زمانی
• 71. مدل‌سازی تغییرات ناگهانی در سری‌های زمانی
• 72. تحلیل سری‌های زمانی چند متغیره
• 73. روش‌های کاهش ابعاد در سری‌های زمانی
• 74. تقویت یادگیری برای سری‌های زمانی
• 75. یادگیری عمیق برای سری‌های زمانی
• 76. مدل‌سازی غیرخطی سری‌های زمانی
• 77. مدل‌سازی احتمالی سری‌های زمانی
• 78. تحلیل سری‌های زمانی با نویز
• 79. پردازش داده‌های نامنظم سری زمانی
• 80. مدل‌سازی سری‌های زمانی پویا
• 81. بهینه‌سازی پارامترهای مدل سری زمانی
• 82. مقدمه‌ای بر MLOps برای سری‌های زمانی
• 83. استقرار مدل‌های سری زمانی
• 84. نظارت بر مدل‌های سری زمانی
• 85. بازآموزی مدل‌های سری زمانی
• 86. اخلاق در تحلیل سری‌های زمانی
• 87. حریم خصوصی در داده‌های سری زمانی
• 88. امنیت در داده‌های سری زمانی
• 89. آینده تحلیل سری‌های زمانی
• 90. روندهای نوین در پردازش سری زمانی
• 91. کاربرد هوش مصنوعی در سری‌های زمانی
• 92. جمع‌بندی و مرور مفاهیم
• 93. پروژه‌های عملی پیشرفته
• 94. مطالعات موردی صنعتی
• 95. چالش‌های پیش رو در سری‌های زمانی
• 96. منابع تکمیلی
• 97. واژه‌نامه اصطلاحات