دوره جامع یادگیری عمیق برای تحلیل سری‌های زمانی؛ از پیش‌پردازش و مدل‌سازی تا پیش‌بینی، تشخیص ناهنجاری و تحلیل الگوهای زمانی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع یادگیری عمیق برای تحلیل سری‌های زمانی؛ از پیش‌پردازش و مدل‌سازی تا پیش‌بینی، تشخیص ناهنجاری و تحلیل الگوهای زمانی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری عمیق و تحلیل داده‌های سری زمانی

📋 سرفصل‌های دوره

• 1. مبانی سری‌های زمانی و ساختار داده‌های زمانی
• 2. تفاوت داده‌های سری زمانی با داده‌های مستقل
• 3. اجزای سری زمانی؛ روند، فصل‌مندی و نویز
• 4. خودهمبستگی و وابستگی زمانی
• 5. ایستایی و اهمیت آن در مدل‌سازی
• 6. انواع مسئله در تحلیل سری‌های زمانی
• 7. پیش‌بینی تک‌متغیره و چندمتغیره
• 8. پیش‌بینی یک‌گام و چندگام
• 9. تعریف پنجره زمانی برای یادگیری عمیق
• 10. ساخت مجموعه داده آموزشی از سری‌های زمانی
• 11. تقسیم زمانی داده‌ها به آموزش، اعتبارسنجی و آزمون
• 12. جلوگیری از نشت اطلاعات زمانی
• 13. نرمال‌سازی و استانداردسازی داده‌های زمانی
• 14. مدیریت مقادیر گمشده در سری‌های زمانی
• 15. تشخیص و مدیریت داده‌های پرت
• 16. نمونه‌برداری و هم‌ترازسازی داده‌های زمانی
• 17. مهندسی ویژگی برای سری‌های زمانی
• 18. ویژگی‌های تقویمی و زمانی
• 19. ویژگی‌های تأخیری و Lag Features
• 20. پنجره‌های غلتان و ویژگی‌های Rolling
• 21. مبانی شبکه‌های عصبی برای داده‌های زمانی
• 22. ساختار شبکه‌های عصبی پیش‌خور برای سری‌های زمانی
• 23. مدل‌سازی وابستگی‌های کوتاه‌مدت
• 24. شبکه‌های عصبی بازگشتی RNN
• 25. نحوه پردازش توالی در RNN
• 26. مشکل محوشدن گرادیان در شبکه‌های بازگشتی
• 27. شبکه‌های LSTM برای سری‌های زمانی
• 28. ساختار دروازه‌های LSTM
• 29. تنظیم LSTM برای پیش‌بینی سری‌های زمانی
• 30. شبکه‌های GRU و کاربرد آن‌ها
• 31. مقایسه LSTM و GRU
• 32. شبکه‌های چندلایه برای مدل‌سازی توالی
• 33. Bidirectional RNN و محدودیت‌های آن در پیش‌بینی
• 34. Deep RNN برای توالی‌های پیچیده
• 35. کانولوشن یک‌بعدی برای سری‌های زمانی
• 36. استخراج الگوهای محلی با CNN
• 37. ترکیب CNN و LSTM
• 38. مدل‌های CNN-LSTM برای پیش‌بینی
• 39. Temporal Convolutional Networks
• 40. مقایسه TCN با شبکه‌های بازگشتی
• 41. Attention در تحلیل سری‌های زمانی
• 42. مکانیزم Self-Attention برای داده‌های زمانی
• 43. مدل‌های Transformer برای سری‌های زمانی
• 44. Embedding داده‌های زمانی در Transformer
• 45. Positional Encoding و ترتیب زمانی
• 46. مدل‌سازی وابستگی‌های بلندمدت با Transformer
• 47. معماری‌های Hybrid برای تحلیل سری‌های زمانی
• 48. ترکیب مدل‌های آماری و یادگیری عمیق
• 49. مدل‌سازی چندمتغیره با شبکه‌های عمیق
• 50. یادگیری روابط بین چند سری زمانی
• 51. پیش‌بینی چندافقی با یادگیری عمیق
• 52. مدل‌های Direct و Recursive برای پیش‌بینی چندگام
• 53. Sequence-to-Sequence برای پیش‌بینی سری‌های زمانی
• 54. Encoder-Decoder برای توالی‌های زمانی
• 55. Teacher Forcing در مدل‌های توالی
• 56. پیش‌بینی احتمالاتی و عدم‌قطعیت
• 57. مدل‌سازی توزیع خروجی در پیش‌بینی زمانی
• 58. Quantile Forecasting با شبکه‌های عمیق
• 59. پیش‌بینی سری‌های زمانی با Autoencoder
• 60. تشخیص ناهنجاری با Autoencoder
• 61. Variational Autoencoder برای داده‌های زمانی
• 62. یادگیری عمیق برای تشخیص ناهنجاری زمانی
• 63. پیش‌بینی همراه با تشخیص تغییرات ساختاری
• 64. Concept Drift در داده‌های زمانی
• 65. مدیریت تغییر توزیع داده‌ها در طول زمان
• 66. یادگیری انتقالی برای سری‌های زمانی
• 67. Fine-Tuning مدل‌های عمیق روی داده‌های زمانی جدید
• 68. Regularization در مدل‌های سری زمانی
• 69. Dropout و جلوگیری از بیش‌برازش
• 70. Early Stopping و انتخاب بهترین مدل
• 71. تنظیم Hyperparameterهای مدل‌های زمانی
• 72. انتخاب طول پنجره و افق پیش‌بینی
• 73. بهینه‌سازی نرخ یادگیری و اندازه Batch
• 74. معیارهای ارزیابی مدل‌های پیش‌بینی زمانی
• 75. MAE، MSE و RMSE در پیش‌بینی
• 76. MAPE و محدودیت‌های آن
• 77. ارزیابی مدل‌های چندگامی
• 78. Backtesting و ارزیابی بر مبنای زمان
• 79. مقایسه مدل‌های یادگیری عمیق با روش‌های کلاسیک
• 80. تفسیرپذیری مدل‌های عمیق برای سری‌های زمانی
• 81. تحلیل اهمیت ویژگی‌ها و بازه‌های زمانی
• 82. تفسیر Attention در مدل‌های زمانی
• 83. پیاده‌سازی Pipeline کامل تحلیل سری زمانی
• 84. بهینه‌سازی عملکرد مدل‌های عمیق زمانی
• 85. مدیریت داده‌های حجیم و توالی‌های طولانی
• 86. استفاده از GPU برای آموزش مدل‌های زمانی
• 87. استقرار مدل پیش‌بینی سری زمانی
• 88. پایش عملکرد مدل پس از استقرار
• 89. ساخت پروژه عملی پیش‌بینی سری زمانی چندمتغیره
• 90. طراحی پروژه نهایی تحلیل و پیش‌بینی سری‌های زمانی با یادگیری عمیق