دوره تحلیل داده‌های زمان‌بندی (Time Series Analysis) با پایتون همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده‌های زمان‌بندی (Time Series Analysis) با پایتون

موضوع کلی: برنامه نویسی

موضوع میانی: پایتون (Python)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل سری‌های زمانی با پایتون
• 2. آشنایی با داده‌های سری زمانی و انواع آن‌ها
• 3. نصب و راه‌اندازی محیط تحلیل سری زمانی در پایتون
• 4. مفاهیم پایه‌ای در تحلیل سری زمانی: روند، فصلی بودن، و نوسان
• 5. شناسایی و مدل‌سازی روند در سری‌های زمانی
• 6. شناسایی و مدل‌سازی فصلی بودن در سری‌های زمانی
• 7. شناسایی و مدل‌سازی نوسان در سری‌های زمانی
• 8. تجزیه سری زمانی به مولفه‌های اصلی
• 9. آزمون‌های ایستایی سری‌های زمانی
• 10. روش‌های تبدیل سری‌های زمانی به حالت ایستایی
• 11. مقدمه‌ای بر مدل‌های ARIMA
• 12. مدل‌های AR (Autoregressive)
• 13. مدل‌های MA (Moving Average)
• 14. مدل‌های ARMA (Autoregressive Moving Average)
• 15. مدل‌های ARIMA (Autoregressive Integrated Moving Average)
• 16. انتخاب مرتبه مدل‌های ARIMA (p, d, q)
• 17. تخمین پارامترهای مدل‌های ARIMA
• 18. ارزیابی و تشخیص مدل‌های ARIMA
• 19. پیش‌بینی با استفاده از مدل‌های ARIMA
• 20. مدل‌های فصلی ARIMA (SARIMA)
• 21. پیاده‌سازی SARIMA در پایتون
• 22. تحلیل و پیش‌بینی سری‌های زمانی فصلی
• 23. مدل‌های تجزیه و تحلیل سری زمانی (Decomposition Models)
• 24. روش‌های کلاسیک تجزیه (Additive & Multiplicative)
• 25. روش‌های مبتنی بر میانگین متحرک برای تجزیه
• 26. تجزیه سری زمانی با استفاده از کتابخانه‌های پایتون
• 27. مدل‌های رگرسیون خطی برای سری‌های زمانی
• 28. استفاده از متغیرهای مجازی برای فصلی بودن
• 29. مدل‌های رگرسیون با اثرات متغیر
• 30. مدل‌های سری زمانی پویا (Dynamic Time Series Models)
• 31. مدل‌های حالت فضایی (State-Space Models)
• 32. فیلتر کالمن (Kalman Filter) برای سری‌های زمانی
• 33. مدل‌های فیلتر کالمن-بوز-هین (Kalman-Bucy Filter)
• 34. استفاده از مدل‌های حالت فضایی در پایتون
• 35. مدل‌های اقتصاد سنجی سری زمانی
• 36. مدل‌های VAR (Vector Autoregression)
• 37. مدل‌های VECM (Vector Error Correction Model)
• 38. مدل‌های GARCH (Generalized Autoregressive Conditional Heteroskedasticity)
• 39. مدل‌های ARCH (Autoregressive Conditional Heteroskedasticity)
• 40. مدل‌های GJR-GARCH
• 41. مدل‌های EGARCH
• 42. مدل‌های TARCH
• 43. مدل‌های نوسانات شرطی در پایتون
• 44. مقدمه‌ای بر یادگیری ماشین در سری‌های زمانی
• 45. استفاده از درخت‌های تصمیم و جنگل‌های تصادفی
• 46. استفاده از ماشین‌های بردار پشتیبان (SVM)
• 47. مدل‌های رگرسیون برداری (Vector Regression)
• 48. شبکه‌های عصبی برای سری‌های زمانی
• 49. شبکه‌های عصبی بازگشتی (RNN)
• 50. شبکه‌های حافظه طولانی کوتاه مدت (LSTM)
• 51. شبکه‌های حافظه کوتاه مدت (GRU)
• 52. پیاده‌سازی شبکه‌های عصبی در پایتون برای سری‌های زمانی
• 53. مدل‌های پیش‌بینی هیبریدی
• 54. ترکیب مدل‌های کلاسیک و یادگیری ماشین
• 55. روش‌های Ensemble برای سری‌های زمانی
• 56. اعتبارسنجی متقابل (Cross-Validation) برای سری‌های زمانی
• 57. ارزیابی عملکرد مدل‌های پیش‌بینی سری زمانی
• 58. معیارهای ارزیابی: MSE, RMSE, MAE, MAPE
• 59. تحلیل و تفسیر نتایج پیش‌بینی
• 60. مدل‌سازی و پیش‌بینی سری‌های زمانی چندمتغیره
• 61. کاربرد سری‌های زمانی در تحلیل داده‌های مالی
• 62. مدل‌سازی و پیش‌بینی قیمت سهام
• 63. تحلیل ریسک در بازارهای مالی با سری‌های زمانی
• 64. مدل‌سازی و پیش‌بینی سری‌های زمانی اقتصادی
• 65. کاربرد سری‌های زمانی در پیش‌بینی تقاضا
• 66. مدل‌سازی و پیش‌بینی سری‌های زمانی آب و هوا
• 67. کاربرد سری‌های زمانی در تحلیل داده‌های پزشکی
• 68. کاربرد سری‌های زمانی در تحلیل داده‌های شبکه‌های اجتماعی
• 69. کاربرد سری‌های زمانی در تحلیل داده‌های اینترنت اشیاء (IoT)
• 70. مقدمه‌ای بر سری‌های زمانی غیرایستا
• 71. روش‌های تشخیص و مدل‌سازی غیرایستایی
• 72. مدل‌های مبتنی بر تبدیل موجک (Wavelet Transform)
• 73. تحلیل سری‌های زمانی با داده‌های گمشده
• 74. روش‌های جایگزینی داده‌های گمشده
• 75. مدل‌سازی سری‌های زمانی با داده‌های پرت (Outliers)
• 76. شناسایی و مدیریت داده‌های پرت
• 77. مقدمه‌ای بر سری‌های زمانی با ساختار پیچیده
• 78. سری‌های زمانی غیرخطی
• 79. سری‌های زمانی با حافظه طولانی
• 80. سری‌های زمانی چند مقیاسی
• 81. روش‌های پیشرفته مدل‌سازی سری‌های زمانی
• 82. مدل‌های شبکه‌های گراف (Graph Neural Networks) برای سری‌های زمانی
• 83. سری‌های زمانی مکانی-زمانی (Spatio-Temporal Time Series)
• 84. استفاده از پلتفرم‌های ابری برای تحلیل سری‌های زمانی
• 85. بهینه‌سازی محاسبات در تحلیل سری‌های زمانی
• 86. کاربرد ابزارهای بصری‌سازی در تحلیل سری‌های زمانی
• 87. ساخت داشبوردهای تعاملی برای سری‌های زمانی
• 88. اصول اخلاقی در تحلیل و استفاده از داده‌های سری زمانی
• 89. حفظ حریم خصوصی در داده‌های سری زمانی
• 90. تحلیل سری‌های زمانی با تاکید بر منافع ملی
• 91. مقدمه‌ای بر مبانی شرعی و فقهی در تحلیل داده‌های اقتصادی
• 92. تطبیق مدل‌های مالی با چارچوب بانکداری بدون ربا
• 93. کاربرد اصول اسلامی در پیش‌بینی اقتصادی
• 94. اخلاق حرفه‌ای در تحلیل داده‌های سری زمانی
• 95. مسئولیت‌پذیری در ارائه نتایج تحلیل سری‌های زمانی
• 96. معرفی منابع معتبر و رسمی در حوزه تحلیل سری‌های زمانی
• 97. مطالعه موردی: تحلیل سری زمانی یک شاخص اقتصادی مهم در ایران
• 98. مطالعه موردی: پیش‌بینی تقاضای انرژی در کشور
• 99. مطالعه موردی: تحلیل سری زمانی داده‌های سلامت در ایران
• 100. مطالعه موردی: کاربرد سری زمانی در مدیریت منابع آب