دوره تحلیل سری‌های زمانی با Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل سری‌های زمانی با Stan

موضوع کلی: روش‌های نمونه‌گیری مونت‌کارلو مارکوف (MCMC) در آمار بیزی

موضوع میانی: Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل سری‌های زمانی
• 2. مفاهیم پایه سری‌های زمانی
• 3. انواع سری‌های زمانی
• 4. آمار توصیفی سری‌های زمانی
• 5. نمودارهای سری‌های زمانی
• 6. تجزیه سری‌های زمانی به اجزاء
• 7. روند (Trend) در سری‌های زمانی
• 8. فصلی بودن (Seasonality) در سری‌های زمانی
• 9. نوسانات تصادفی (Residuals)
• 10. مدل‌های میانگین متحرک (MA)
• 11. مدل‌های خودرگرسیو (AR)
• 12. مدل‌های ARMA
• 13. مدل‌های ARIMA
• 14. تشخیص ریشه واحد (Unit Root Testing)
• 15. آزمون دیکی-فولر (Dickey-Fuller Test)
• 16. آزمون فیلیپس-پرون (Phillips-Perron Test)
• 17. نامانایی (Non-stationarity) و راه‌های مقابله
• 18. تفکیک (Differencing) برای مانایی
• 19. مدل‌های فصلی ARIMA (SARIMA)
• 20. مدل‌های رگرسیون با سری‌های زمانی
• 21. متغیرهای مجازی (Dummy Variables)
• 22. تحلیل کوواریانس (ANCOVA) با سری‌های زمانی
• 23. مدل‌های تصریح شده (Explanatory Models)
• 24. مدل‌های هم‌انباشتگی (Cointegration)
• 25. آزمون گرانجر (Granger Causality Test)
• 26. آزمون هم‌انباشتگی یوهانسن (Johansen Cointegration Test)
• 27. مدل‌های تصحیح خطا (Error Correction Models - ECM)
• 28. تحلیل طیفی (Spectral Analysis)
• 29. تبدیل فوریه (Fourier Transform)
• 30. تخمین طیف (Spectrum Estimation)
• 31. تحلیل موجک (Wavelet Analysis)
• 32. مقدمه‌ای بر مدل‌سازی بیزی
• 33. مبانی مدل‌سازی بیزی سری‌های زمانی
• 34. مفهوم احتمال پیشین (Prior Probability)
• 35. مفهوم احتمال پسین (Posterior Probability)
• 36. قضیه بیز (Bayes' Theorem)
• 37. استنتاج بیزی (Bayesian Inference)
• 38. روش‌های نمونه‌گیری مارکوف چین مونت کارلو (MCMC)
• 39. پیاده‌سازی مدل‌های بیزی با Stan
• 40. آشنایی با زبان Stan
• 41. نصب و راه‌اندازی Stan
• 42. نوشتن مدل‌های Stan
• 43. کامپایل و اجرای کدهای Stan
• 44. داده‌سازی در Stan
• 45. تفسیر نتایج Stan
• 46. نمودارهای پسین (Posterior Plots)
• 47. توزیع‌های پیشین و پسین
• 48. بررسی همگرایی MCMC
• 49. تشخیص مشکلات در نمونه‌گیری
• 50. مدل‌های بیزی ARMA
• 51. مدل‌های بیزی ARIMA
• 52. مدل‌های بیزی SARIMA
• 53. مدل‌های بیزی رگرسیون
• 54. مدل‌های بیزی هم‌انباشتگی
• 55. مدل‌های بیزی تصحیح خطا
• 56. مدل‌های بیزی سری‌های زمانی فصلی
• 57. مدل‌های بیزی پویا (Dynamic Models)
• 58. مدل‌های بیزی حالت-فضا (State-Space Models)
• 59. مقدمه‌ای بر مدل‌های حالت-فضا
• 60. اجزای مدل‌های حالت-فضا
• 61. فیلتر کالمن (Kalman Filter)
• 62. هموارساز کالمن (Kalman Smoother)
• 63. مدل‌های بیزی حالت-فضا در Stan
• 64. کاربرد مدل‌های بیزی حالت-فضا
• 65. مدل‌های پیش‌بینی بیزی
• 66. ارزیابی پیش‌بینی بیزی
• 67. معیارهای ارزیابی پیش‌بینی
• 68. خطای میانگین مربعات (MSE)
• 69. خطای میانگین قدر مطلق (MAE)
• 70. فاصله پیش‌بینی (Prediction Intervals)
• 71. اعتبار فاصله‌های پیش‌بینی
• 72. اعتبارسنجی متقابل (Cross-validation)
• 73. اعتبارسنجی سری‌های زمانی
• 74. استفاده از داده‌های واقعی در ایران
• 75. تحلیل سری‌های زمانی اقتصادی در ایران
• 76. تحلیل سری‌های زمانی مالی در ایران
• 77. تحلیل سری‌های زمانی آب و هوایی در ایران
• 78. تحلیل سری‌های زمانی اجتماعی در ایران
• 79. کاربرد سری‌های زمانی در نظام بانکی ایران
• 80. کاربرد سری‌های زمانی در بورس اوراق بهادار تهران
• 81. کاربرد سری‌های زمانی در پیش‌بینی تورم
• 82. کاربرد سری‌های زمانی در تحلیل ریسک
• 83. مدل‌سازی سری‌های زمانی با در نظر گرفتن نااطمینانی
• 84. مدل‌های سری زمانی ناپارامتریک
• 85. یادگیری ماشین برای سری‌های زمانی
• 86. شبکه‌های عصبی بازگشتی (RNN)
• 87. شبکه‌های حافظه طولانی کوتاه-مدت (LSTM)
• 88. شبکه‌های حافظه کوتاه-مدت (GRU)
• 89. کاربرد شبکه‌های عصبی در سری‌های زمانی
• 90. مدل‌های سری زمانی ترکیبی
• 91. ترکیب مدل‌های آماری و یادگیری ماشین
• 92. ملاحظات اخلاقی در تحلیل سری‌های زمانی
• 93. حریم خصوصی داده‌ها در سری‌های زمانی
• 94. مسئولیت‌پذیری در پیش‌بینی‌ها
• 95. تفسیر صحیح نتایج مدل‌ها
• 96. محدودیت‌های مدل‌های سری زمانی
• 97. پیشرفت‌های نوین در تحلیل سری‌های زمانی
• 98. مباحث پیشرفته در مدل‌سازی بیزی
• 99. مدل‌های سری زمانی غیرخطی
• 100. مدل‌های سری زمانی با وقفه‌های متغیر