اپلیکیشن اندرویدی فلش‌کارت آموزشی پیش‌بینی سری‌های زمانی با پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیش‌بینی سری‌های زمانی با پایتون

موضوع کلی: هوش مصنوعی و توسعهٔ کاربردهای آن

موضوع میانی: پیش‌بینی با هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر سری‌های زمانی و کاربردهای آن‌ها
• 2. جمع‌آوری و آماده‌سازی داده‌های سری زمانی
• 3. نمایش گرافیکی سری‌های زمانی و تحلیل بصری
• 4. مفهوم میانگین متحرک و کاربرد آن در تحلیل سری‌های زمانی
• 5. روش‌های محاسبه میانگین متحرک ساده و وزنی
• 6. هموارسازی نمایی و پارامترهای مؤثر بر آن
• 7. تجزیه سری‌های زمانی به مؤلفه‌های روند، فصلی، چرخه‌ای و تصادفی
• 8. مدل‌های خودهمبستگی (AR) و کاربرد آن‌ها
• 9. مدل‌های میانگین متحرک (MA) و کاربرد آن‌ها
• 10. مدل‌های خودهمبستگی میانگین متحرک (ARMA)
• 11. شناسایی مرتبه مدل‌های ARMA با استفاده از توابع خودهمبستگی و خودهمبستگی جزئی
• 12. تخمین پارامترهای مدل‌های ARMA
• 13. آزمون‌های بررسی برازش مدل‌های ARMA
• 14. پیش‌بینی با استفاده از مدل‌های ARMA
• 15. مقدمه‌ای بر مدل‌های خودرگرسیونی یکپارچه میانگین متحرک (ARIMA)
• 16. شناسایی مرتبه مدل‌های ARIMA
• 17. تخمین پارامترهای مدل‌های ARIMA
• 18. آزمون‌های بررسی برازش مدل‌های ARIMA
• 19. پیش‌بینی با استفاده از مدل‌های ARIMA
• 20. مدل‌های فصلی ARIMA (SARIMA) و کاربرد آن‌ها
• 21. شناسایی مرتبه مدل‌های SARIMA
• 22. تخمین پارامترهای مدل‌های SARIMA
• 23. آزمون‌های بررسی برازش مدل‌های SARIMA
• 24. پیش‌بینی با استفاده از مدل‌های SARIMA
• 25. استفاده از کتابخانه Statsmodels در پایتون برای تحلیل سری‌های زمانی
• 26. مدل‌های GARCH و کاربرد آن‌ها در تحلیل نوسانات
• 27. پیش‌بینی نوسانات با استفاده از مدل‌های GARCH
• 28. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN) و کاربرد آن‌ها در پیش‌بینی سری‌های زمانی
• 29. شبکه‌های حافظه بلندمدت (LSTM) و کاربرد آن‌ها در پیش‌بینی سری‌های زمانی
• 30. شبکه‌های دروازه‌دار بازگشتی (GRU) و کاربرد آن‌ها در پیش‌بینی سری‌های زمانی
• 31. آماده‌سازی داده‌ها برای شبکه‌های عصبی بازگشتی
• 32. طراحی و آموزش مدل‌های LSTM برای پیش‌بینی سری‌های زمانی
• 33. ارزیابی عملکرد مدل‌های LSTM
• 34. بهینه‌سازی مدل‌های LSTM با استفاده از الگوریتم‌های مختلف
• 35. استفاده از کتابخانه TensorFlow/Keras برای پیاده‌سازی مدل‌های LSTM
• 36. پیش‌بینی سری‌های زمانی چندمتغیره با استفاده از LSTM
• 37. مقدمه‌ای بر مدل‌های Prophet و کاربرد آن‌ها در پیش‌بینی سری‌های زمانی
• 38. استفاده از کتابخانه Prophet در پایتون
• 39. تنظیم پارامترهای مدل Prophet
• 40. ارزیابی عملکرد مدل Prophet
• 41. مقایسه عملکرد مدل‌های مختلف پیش‌بینی سری‌های زمانی
• 42. کاربرد عملی پیش‌بینی سری‌های زمانی در حوزه مالی
• 43. کاربرد عملی پیش‌بینی سری‌های زمانی در حوزه هواشناسی
• 44. کاربرد عملی پیش‌بینی سری‌های زمانی در حوزه فروش و بازاریابی
• 45. مدیریت خطا در پیش‌بینی سری‌های زمانی