اپلیکیشن اندرویدی فلش‌کارت آموزشی پیاده‌سازی مدل پیش‌بینی سرمایه‌گذاری با Python

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی مدل پیش‌بینی سرمایه‌گذاری با Python

موضوع کلی: کاربردهای هوش مصنوعی در اقتصاد و بازارهای انرژی

موضوع میانی: کاربرد هوش مصنوعی در تجزیه و تحلیل و پیش‌بینی نیاز به سرمایه‌گذاری در فناوری‌های مرتبط با انرژی‌های پاک در بخش خدمات مالی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بازار سرمایه‌گذاری در انرژی‌های پاک
• 2. روندهای جهانی انرژی‌های پاک و فرصت‌های سرمایه‌گذاری
• 3. مفاهیم پایه هوش مصنوعی در تحلیل مالی
• 4. محیط توسعه Python برای تحلیل داده مالی
• 5. نصب و راه‌اندازی کتابخانه‌های علم داده
• 6. درک داده‌های سرمایه‌گذاری: ساختار و منابع
• 7. جمع‌آوری داده از APIهای مالی
• 8. پاکسازی و پیش‌پردازش داده‌های سرمایه‌گذاری انرژی
• 9. سری‌های زمانی: مفاهیم و ویژگی‌ها
• 10. نرمالیزاسیون و استانداردسازی داده‌های مالی
• 11. تحلیل اکسپلوراتوری داده بازارهای انرژی
• 12. مهندسی ویژگی برای پیش‌بینی سرمایه‌گذاری
• 13. ویژگی‌های تکنیکال: RSI, MACD, Moving Averages
• 14. ویژگی‌های فاندامنتال شرکت‌های انرژی پاک
• 15. ویژگی‌های macroeconomy مؤثر بر بازار انرژی
• 16. ساخت دیتاست سفارشی سرمایه‌گذاری انرژی پاک
• 17. رگرسیون خطی و Ridge/Lasso برای پیش‌بینی بازگشت
• 18. مدل‌های درخت تصمیم و Random Forest
• 19. Gradient Boosting: XGBoost, LightGBM, CatBoost
• 20. شبکه‌های عصبی پایه برای سری‌های زمانی مالی
• 21. LSTM برای پیش‌بینی قیمت سهام انرژی‌های پاک
• 22. GRU و مقایسه با LSTM
• 23. مدل‌های Transformer برای سری‌های زمانی مالی
• 24. مدل‌های ترکیبی برای پیش‌بینی سرمایه‌گذاری
• 25. ARIMA و SARIMA به‌عنوان خط پایه
• 26. Prophet برای پیش‌بینی روند انرژی‌های پاک
• 27. معیارهای ارزیابی مدل: RMSE, MAE, MAPE, R²
• 28. ارزیابی عملکرد روی داده‌های خارج‌از‌نمونه
• 29. تحلیل حساسیت مدل‌های پیش‌بینی
• 30. مدیریت ریسک و Sharpe Ratio در پورتفویل
• 31. بهینه‌سازی پورتفویل با مدل‌های پیش‌بینی
• 32. بک‌تستینگ و cross-validation برای سری‌های زمانی
• 33. Walk-forward validation در بازارهای انرژی
• 34. ساخت داشبورد تحلیل با Streamlit
• 35. اتوماسیون جمع‌آوری داده و آموزش مدل
• 36. انتشار مدل به تولید با Flask/FastAPI
• 37. پایش عملکرد مدل در زمان واقعی
• 38. داده‌های جایگزین در سرمایه‌گذاری انرژی
• 39. تحلیل احساسات خبرها با NLP برای بازار انرژی
• 40. یادگیری تقویتی برای استراتژی سرمایه‌گذاری
• 41. مقررات و اعتبارسنجی مدل‌های AI مالی
• 42. مطالعه موردی: پیش‌بینی نیاز سرمایه‌گذاری در خورشیدی و بادی
• 43. پروژه نهایی: سیستم کامل پیش‌بینی سرمایه‌گذاری انرژی پاک