اپلیکیشن اندرویدی فلش‌کارت آموزشی مهندسی ویژگی در داده‌های سری زمانی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی ویژگی در داده‌های سری زمانی

موضوع کلی: علوم و مهندسی داده و هوش مصنوعی

موضوع میانی: مهندسی ویژگی (Feature Engineering)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر داده‌های سری زمانی
• 2. مفاهیم پایه مهندسی ویژگی
• 3. اهمیت مهندسی ویژگی در تحلیل سری زمانی
• 4. انواع داده‌های سری زمانی و ویژگی‌های آن‌ها
• 5. پیش‌پردازش داده‌های سری زمانی
• 6. بررسی و پاکسازی داده‌های گمشده
• 7. نرمال‌سازی و مقیاس‌بندی داده‌های سری زمانی
• 8. تبدیل داده‌های سری زمانی (مانند لگاریتمی)
• 9. استخراج ویژگی‌های آماری پایه (میانگین، انحراف معیار)
• 10. محاسبه ویژگی‌های مبتنی بر پنجره‌های زمانی
• 11. ویژگی‌های مبتنی بر روند (Trend)
• 12. ویژگی‌های مبتنی بر فصلی بودن (Seasonality)
• 13. تجزیه سری زمانی به اجزای روند، فصلی و باقی‌مانده
• 14. استفاده از میانگین متحرک به عنوان ویژگی
• 15. استفاده از صاف‌سازی نمایی به عنوان ویژگی
• 16. محاسبه مشتقات سری زمانی
• 17. محاسبه انتگرال سری زمانی
• 18. تبدیل فوریه و ویژگی‌های فرکانسی
• 19. تبدیل موجک و ویژگی‌های مبتنی بر موجک
• 20. استخراج ویژگی‌های مبتنی بر خودهمبستگی (ACF) و خودهمبستگی جزئی (PACF)
• 21. استفاده از تاخیرهای زمانی (Lagged Features) به عنوان ویژگی
• 22. ویژگی‌های مبتنی بر اختلاف‌گیری (Differencing)
• 23. ویژگی‌های مبتنی بر بازگشتی (Recurrence)
• 24. استفاده از ویژگی‌های مبتنی بر آمار رتبه‌ای
• 25. ویژگی‌های مبتنی بر پیچیدگی (مانند آنتروپی)
• 26. مهندسی ویژگی برای داده‌های سری زمانی چندمتغیره
• 27. استفاده از تحلیل مولفه‌های اصلی (PCA) برای کاهش ابعاد
• 28. استفاده از تحلیل همبستگی متقابل (Cross-Correlation)
• 29. انتخاب ویژگی‌های مهم با استفاده از روش‌های آماری
• 30. انتخاب ویژگی‌ها با استفاده از روش‌های یادگیری ماشین
• 31. ارزیابی اهمیت ویژگی‌ها
• 32. تکنیک‌های کاهش ابعاد برای سری‌های زمانی طولانی
• 33. استفاده از ویژگی‌های مبتنی بر مدل‌های پیش‌بینی
• 34. مهندسی ویژگی برای تشخیص ناهنجاری در سری‌های زمانی
• 35. مهندسی ویژگی برای پیش‌بینی رویدادهای خاص
• 36. مهندسی ویژگی برای داده‌های سری زمانی نامنظم
• 37. استفاده از ویژگی‌های مبتنی بر بازه زمانی
• 38. مهندسی ویژگی در داده‌های مالی سری زمانی
• 39. مهندسی ویژگی در داده‌های حسگر سری زمانی
• 40. مهندسی ویژگی در داده‌های پزشکی سری زمانی
• 41. مهندسی ویژگی در داده‌های ترافیکی سری زمانی
• 42. بهینه‌سازی ویژگی‌ها برای مدل‌های یادگیری ماشین
• 43. استفاده از ویژگی‌های ترکیبی
• 44. ملاحظات مربوط به مقیاس‌پذیری در مهندسی ویژگی
• 45. ابزارها و کتابخانه‌های رایج برای مهندسی ویژگی در سری زمانی