دوره پیش‌بینی روندهای فصلی با رویکرد داده‌محور همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیش‌بینی روندهای فصلی با رویکرد داده‌محور

موضوع کلی: تحلیل داده و پیش‌بینی

موضوع میانی: سری‌های زمانی و مدل‌سازی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل سری‌های زمانی
• 2. مفاهیم پایه آماری در تحلیل سری‌های زمانی
• 3. اجزای سری‌های زمانی: روند، فصلی بودن، چرخه‌ای و تصادفی
• 4. روش‌های نمایش سری‌های زمانی
• 5. نمودارهای سری‌های زمانی و تفسیر آن‌ها
• 6. اندازه‌گیری و تحلیل روند در سری‌های زمانی
• 7. روش‌های صاف‌سازی سری‌های زمانی
• 8. میانگین متحرک ساده و وزنی
• 9. روش نمایی صاف‌سازی
• 10. تجزیه سری‌های زمانی به اجزای مختلف
• 11. مدل‌های خودهمبستگی (AR)
• 12. مدل‌های میانگین متحرک (MA)
• 13. مدل‌های خودهمبستگی میانگین متحرک (ARMA)
• 14. شناسایی مرتبه مدل ARMA
• 15. تخمین پارامترهای مدل ARMA
• 16. آزمون برازش مدل ARMA
• 17. پیش‌بینی با استفاده از مدل‌های ARMA
• 18. مدل‌های خودهمبستگی یکپارچه میانگین متحرک (ARIMA)
• 19. شناسایی مرتبه مدل ARIMA
• 20. تخمین پارامترهای مدل ARIMA
• 21. آزمون برازش مدل ARIMA
• 22. پیش‌بینی با استفاده از مدل‌های ARIMA
• 23. مدل‌سازی فصلی با استفاده از ARIMA (SARIMA)
• 24. شناسایی مرتبه مدل SARIMA
• 25. تخمین پارامترهای مدل SARIMA
• 26. آزمون برازش مدل SARIMA
• 27. پیش‌بینی با استفاده از مدل‌های SARIMA
• 28. مدل‌های نمایی صاف‌سازی فصلی (ETS)
• 29. انتخاب مدل ETS مناسب
• 30. تخمین پارامترهای مدل ETS
• 31. آزمون برازش مدل ETS
• 32. پیش‌بینی با استفاده از مدل‌های ETS
• 33. مدل‌سازی داده‌های دارای مقادیر گمشده
• 34. روش‌های جایگزینی مقادیر گمشده
• 35. روش‌های درون‌یابی در سری‌های زمانی
• 36. تحلیل بقایا در سری‌های زمانی
• 37. شناسایی الگوهای غیرمعمول در سری‌های زمانی
• 38. آزمون‌های ایستایی برای سری‌های زمانی
• 39. تبدیل سری‌های زمانی غیراستاتیک به ایستاتیک
• 40. مدل‌های GARCH برای مدل‌سازی نوسانات
• 41. پیش‌بینی بازگشتی چند مرحله‌ای
• 42. ارزیابی دقت پیش‌بینی
• 43. معیارهای ارزیابی پیش‌بینی (MAE, MSE, RMSE, MAPE)
• 44. مقایسه مدل‌های مختلف پیش‌بینی
• 45. انتخاب بهترین مدل پیش‌بینی
• 46. کاربرد تحلیل سری‌های زمانی در پیش‌بینی فروش
• 47. کاربرد تحلیل سری‌های زمانی در پیش‌بینی تقاضا
• 48. کاربرد تحلیل سری‌های زمانی در پیش‌بینی قیمت
• 49. کاربرد تحلیل سری‌های زمانی در پیش‌بینی ترافیک
• 50. تحلیل سری‌های زمانی با استفاده از پایتون
• 51. تحلیل سری‌های زمانی با استفاده از R
• 52. تحلیل سری‌های زمانی با استفاده از Excel
• 53. استفاده از کتابخانه‌های سری زمانی در پایتون (statsmodels, scikit-learn)
• 54. استفاده از بسته‌های سری زمانی در R (forecast, tseries)
• 55. تحلیل و پیش‌بینی سری‌های زمانی مالی
• 56. تحلیل و پیش‌بینی سری‌های زمانی اقتصادی
• 57. تحلیل و پیش‌بینی سری‌های زمانی هواشناسی
• 58. تحلیل و پیش‌بینی سری‌های زمانی ترافیکی
• 59. تحلیل و پیش‌بینی سری‌های زمانی شبکه‌های اجتماعی
• 60. پیش‌بینی روندهای فصلی در داده‌های خرده‌فروشی
• 61. پیش‌بینی روندهای فصلی در داده‌های گردشگری
• 62. پیش‌بینی روندهای فصلی در داده‌های انرژی
• 63. پیش‌بینی روندهای فصلی در داده‌های کشاورزی
• 64. مدل‌سازی سری‌های زمانی با داده‌های چندگانه (Multivariate Time Series)
• 65. روش‌های کاهش ابعاد در داده‌های چندگانه
• 66. مدل‌های VAR (Vector Autoregression)
• 67. پیش‌بینی با استفاده از مدل‌های VAR
• 68. تحلیل هم‌جمعی (Cointegration)
• 69. مدل‌های تصحیح خطا (Error Correction Models)
• 70. پیش‌بینی روندهای فصلی با استفاده از یادگیری ماشین
• 71. استفاده از شبکه‌های عصبی در پیش‌بینی سری‌های زمانی
• 72. استفاده از ماشین‌های بردار پشتیبان (SVM) در پیش‌بینی سری‌های زمانی
• 73. تحلیل سری‌های زمانی بلندمدت
• 74. روش‌های پیش‌بینی بلندمدت
• 75. مدیریت عدم قطعیت در پیش‌بینی بلندمدت
• 76. تحلیل حساسیت در پیش‌بینی سری‌های زمانی
• 77. بهینه‌سازی پارامترهای مدل پیش‌بینی
• 78. پیش‌بینی روندهای فصلی در محیط‌های پویا
• 79. تحلیل و پیش‌بینی داده‌های سری زمانی با حجم زیاد (Big Data)
• 80. استفاده از روش‌های موازی در تحلیل سری‌های زمانی
• 81. کاربرد تحلیل سری‌های زمانی در مدیریت زنجیره تامین
• 82. کاربرد تحلیل سری‌های زمانی در مدیریت ریسک
• 83. کاربرد تحلیل سری‌های زمانی در تصمیم‌گیری‌های بازاریابی
• 84. کاربرد تحلیل سری‌های زمانی در تحلیل رفتار مشتری