دوره مبانی پیش‌بینی رویدادهای حدی در داده‌های سری زمانی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی پیش‌بینی رویدادهای حدی در داده‌های سری زمانی

موضوع کلی: تحلیل داده و پیش‌بینی

موضوع میانی: پیش‌بینی سری‌های زمانی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده‌های سری زمانی
• 2. مبانی آمار و احتمالات در تحلیل داده
• 3. مفاهیم پایه سری‌های زمانی
• 4. انواع داده‌های سری زمانی
• 5. نمایش گرافیکی سری‌های زمانی
• 6. تحلیل روند در سری‌های زمانی
• 7. تحلیل فصلی در سری‌های زمانی
• 8. تحلیل ادواری در سری‌های زمانی
• 9. تحلیل تصادفی در سری‌های زمانی
• 10. بررسی ایستایی سری‌های زمانی
• 11. آزمون‌های تشخیص ایستایی
• 12. روش‌های تبدیل به سری‌های ایستا
• 13. مدل‌های میانگین متحرک (MA)
• 14. مدل‌های خودرگرسیون (AR)
• 15. مدل‌های ARMA
• 16. مدل‌های ARIMA
• 17. شناسایی مدل‌های ARIMA
• 18. برآورد پارامترهای مدل‌های ARIMA
• 19. تشخیص برازش مدل‌های ARIMA
• 20. پیش‌بینی با مدل‌های ARIMA
• 21. مقدمه‌ای بر رویدادهای حدی
• 22. تعریف رویداد حدی
• 23. اندازه‌گیری شدت رویدادهای حدی
• 24. احتمال وقوع رویدادهای حدی
• 25. توزیع‌های آماری رویدادهای حدی
• 26. توزیع گاما
• 27. توزیع وایبول
• 28. توزیع لجستیک
• 29. توزیع نرمال معکوس گوسی
• 30. توزیع مقادیر حدی (GEV)
• 31. توزیع آستانه (POT)
• 32. روش‌های برآورد پارامترهای GEV
• 33. روش‌های برآورد پارامترهای POT
• 34. آستانه‌گذاری در روش POT
• 35. انتخاب آستانه مناسب
• 36. مدل‌سازی توزیع مازاد بر آستانه (GPD)
• 37. برآورد پارامترهای GPD
• 38. پیش‌بینی رویدادهای حدی
• 39. تکنیک‌های پیش‌بینی رویدادهای حدی
• 40. شبکه‌های عصبی مصنوعی
• 41. شبکه‌های عصبی کانولوشنی (CNN)
• 42. شبکه‌های عصبی بازگشتی (RNN)
• 43. حافظه طولانی کوتاه‌مدت (LSTM)
• 44. شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM)
• 45. شبکه‌های واحد بازگشتی (GRU)
• 46. مدل‌های یادگیری عمیق برای پیش‌بینی
• 47. آموزش و اعتبارسنجی مدل‌های یادگیری عمیق
• 48. ارزیابی عملکرد مدل‌های پیش‌بینی
• 49. معیارهای ارزیابی پیش‌بینی رویدادهای حدی
• 50. شاخص‌های دقت پیش‌بینی
• 51. شاخص‌های خطای پیش‌بینی
• 52. تحلیل حساسیت مدل‌ها
• 53. کاربرد تحلیل داده‌های سری زمانی در علوم زیستی
• 54. کاربرد تحلیل داده‌های سری زمانی در علوم اقتصادی
• 55. کاربرد تحلیل داده‌های سری زمانی در علوم محیط زیست
• 56. کاربرد تحلیل داده‌های سری زمانی در علوم مهندسی
• 57. کاربرد تحلیل داده‌های سری زمانی در علوم اجتماعی
• 58. کاربرد تحلیل داده‌های سری زمانی در حوزه بهداشت و درمان
• 59. مقدمه‌ای بر داده‌کاوی
• 60. الگوریتم‌های خوشه‌بندی
• 61. الگوریتم‌های طبقه‌بندی
• 62. قوانین وابستگی
• 63. پایگاه‌های داده‌ای بزرگ (Big Data)
• 64. مقدمه‌ای بر پردازش داده‌های بزرگ
• 65. ابزارهای پردازش داده‌های بزرگ
• 66. مفاهیم یادگیری ماشین
• 67. یادگیری نظارت شده
• 68. یادگیری نظارت نشده
• 69. یادگیری تقویتی
• 70. مقدمه‌ای بر هوش مصنوعی
• 71. کاربردهای هوش مصنوعی
• 72. اخلاق در تحلیل داده
• 73. امنیت داده‌ها
• 74. حریم خصوصی داده‌ها
• 75. مقدمه‌ای بر تحلیل داده‌های مکانی-زمانی
• 76. مدل‌سازی داده‌های مکانی-زمانی
• 77. پیش‌بینی رویدادهای حدی در داده‌های مکانی-زمانی
• 78. کاربرد در مدیریت بحران
• 79. کاربرد در پیش‌بینی بلایای طبیعی
• 80. کاربرد در پیش‌بینی حوادث غیرمترقبه
• 81. کاربرد در مدیریت منابع آب
• 82. کاربرد در تحلیل ریسک مالی
• 83. کاربرد در پیش‌بینی بیماری‌های همه‌گیر
• 84. بررسی موردی: پیش‌بینی سیل
• 85. بررسی موردی: پیش‌بینی خشکسالی
• 86. بررسی موردی: پیش‌بینی طوفان
• 87. بررسی موردی: پیش‌بینی زلزله (با احتیاط و چارچوب علمی)
• 88. بررسی موردی: پیش‌بینی نوسانات بازار سهام
• 89. بررسی موردی: پیش‌بینی مصرف انرژی
• 90. مباحث پیشرفته در مدل‌سازی رویدادهای حدی
• 91. مدل‌های رگرسیون برای رویدادهای حدی
• 92. مدل‌های پویا برای رویدادهای حدی
• 93. کاربرد نرم‌افزارهای آماری در پیش‌بینی
• 94. مقدمه‌ای بر تحلیل داده‌های توالی
• 95. مدل‌های مارکوف پنهان
• 96. مدل‌های ناظر پنهان
• 97. روش‌های بیزی در پیش‌بینی
• 98. مقدمه‌ای بر تفسیر نتایج پیش‌بینی
• 99. محدودیت‌های مدل‌های پیش‌بینی
• 100. آینده پژوهی در تحلیل داده‌های سری زمانی