اپلیکیشن اندرویدی فلش‌کارت آموزشی پیش‌بینی سری‌های زمانی با استفاده از R

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیش‌بینی سری‌های زمانی با استفاده از R

موضوع کلی: علم داده و تحلیل آماری

موضوع میانی: مدل‌سازی و پیش‌بینی سری‌های زمانی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر سری‌های زمانی
• 2. مفاهیم پایه در سری‌های زمانی
• 3. نمودارهای سری زمانی
• 4. تجزیه و تحلیل اکتشافی سری‌های زمانی
• 5. شناسایی روند در سری‌های زمانی
• 6. شناسایی فصلیت در سری‌های زمانی
• 7. شناسایی چرخه در سری‌های زمانی
• 8. شناسایی نویز سفید
• 9. مدل‌های میانگین متحرک ساده
• 10. مدل‌های تصحیح روند
• 11. مدل‌های تصحیح فصلیت
• 12. تجزیه و تحلیل آماری سری‌های زمانی
• 13. آزمون‌های آماری برای روند
• 14. آزمون‌های آماری برای فصلیت
• 15. آزمون مانایی سری‌های زمانی
• 16. روش‌های تثبیت سری‌های زمانی
• 17. تبدیل لگاریتمی
• 18. تبدیل تفاضل‌گیری
• 19. تبدیل فصلی
• 20. مدل‌های ARIMA
• 21. مفهوم خودرگرسیون (AR)
• 22. مفهوم میانگین متحرک (MA)
• 23. ترکیب AR و MA: مدل ARMA
• 24. مدل خودرگرسیون میانگین متحرک تجمعی (ARIMA)
• 25. تشخیص مرتبه مدل ARIMA
• 26. تابع خودهمبستگی (ACF)
• 27. تابع خودهمبستگی جزئی (PACF)
• 28. قواعد بکس-جِنکینز
• 29. تخمین پارامترهای مدل ARIMA
• 30. آزمون تشخیصی باقی‌مانده‌ها
• 31. انتخاب بهترین مدل ARIMA
• 32. پیش‌بینی با مدل‌های ARIMA
• 33. فواصل اطمینان برای پیش‌بینی
• 34. مدل‌های فصلی ARIMA (SARIMA)
• 35. تشخیص مرتبه مدل SARIMA
• 36. پیش‌بینی با مدل‌های SARIMA
• 37. مدل‌های میانگین متحرک شرطی ناهمسانی واریانس (ARCH)
• 38. مدل‌های ARCH تعمیم‌یافته (GARCH)
• 39. تشخیص مرتبه مدل GARCH
• 40. پیش‌بینی با مدل‌های GARCH
• 41. مدل‌های انتقال مارکوف
• 42. مدل‌های فضای حالت
• 43. فیلتر کالمن
• 44. پیش‌بینی با مدل‌های فضای حالت
• 45. مدل‌های رگرسیون با وقفه توزیعی
• 46. مدل‌های هم‌رگرسیون
• 47. آزمون هم‌رگرسیون
• 48. پیش‌بینی با مدل‌های هم‌رگرسیون
• 49. مدل‌های سری زمانی چندمتغیره
• 50. بردار خودرگرسیون (VAR)
• 51. تشخیص مرتبه مدل VAR
• 52. پیش‌بینی با مدل‌های VAR
• 53. مدل‌های فضای حالت چندمتغیره
• 54. فیلتر کالمن چندمتغیره
• 55. پیش‌بینی با مدل‌های فضای حالت چندمتغیره
• 56. مدل‌های سری زمانی با استفاده از یادگیری ماشین
• 57. شبکه‌های عصبی بازگشتی (RNN)
• 58. حافظه طولانی کوتاه مدت (LSTM)
• 59. شبکه‌های عصبی کانولوشنی (CNN) برای سری‌های زمانی
• 60. مدل‌های درخت تقویت‌شده (Gradient Boosting)
• 61. مدل‌های ترکیب (Ensemble)
• 62. ارزیابی مدل‌های پیش‌بینی
• 63. معیارهای ارزیابی: MSE
• 64. معیارهای ارزیابی: RMSE
• 65. معیارهای ارزیابی: MAE
• 66. معیارهای ارزیابی: MAPE
• 67. معیارهای ارزیابی: SMAPE
• 68. اعتبارسنجی متقابل برای سری‌های زمانی
• 69. اعتبارسنجی پنجره لغزان
• 70. نکات عملی در پیش‌بینی سری‌های زمانی
• 71. مدیریت داده‌های گمشده در سری‌های زمانی
• 72. شناسایی و مدیریت داده‌های پرت
• 73. تکنیک‌های هموارسازی سری‌های زمانی
• 74. هموارسازی نمایی ساده
• 75. هموارسازی نمایی دوگانه (هولت)
• 76. هموارسازی نمایی سه‌گانه (هولت-وینترز)
• 77. مدل‌های تجزیه فصلی
• 78. کاربرد R در پیش‌بینی سری‌های زمانی
• 79. بسته‌های R برای سری‌های زمانی
• 80. بسته‌های R برای مدل‌های ARIMA
• 81. بسته‌های R برای مدل‌های GARCH
• 82. بسته‌های R برای مدل‌های یادگیری ماشین
• 83. تجسم نتایج پیش‌بینی در R
• 84. مثال‌های عملی با داده‌های واقعی
• 85. پیش‌بینی قیمت سهام
• 86. پیش‌بینی تقاضای محصول
• 87. پیش‌بینی مصرف انرژی
• 88. پیش‌بینی آب و هوا
• 89. ملاحظات اخلاقی در پیش‌بینی
• 90. کاربرد تحلیل سری زمانی در اقتصاد اسلامی
• 91. مدل‌سازی اقتصادی با رویکرد اسلامی
• 92. تحلیل داده‌های اقتصادی در چارچوب شرعی
• 93. پیش‌بینی اقتصادی با در نظر گرفتن اصول اخلاقی
• 94. مدیریت ریسک در چارچوب اقتصاد اسلامی
• 95. راهکارهای اسلامی در پیش‌بینی مالی
• 96. تحلیل سری زمانی در بازارهای مالی اسلامی
• 97. اصول فقهی در تحلیل داده‌های اقتصادی
• 98. کاربرد آماری در فقه اقتصادی
• 99. مبانی شرعی در مدل‌سازی اقتصادی