دوره تحلیل سری زمانی پیشرفته با PostgreSQL: از مبانی تا مدل‌سازی عملی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل سری زمانی پیشرفته با PostgreSQL: از مبانی تا مدل‌سازی عملی

موضوع کلی: تحلیل داده و آمار

موضوع میانی: پایگاه داده و تحلیل سری زمانی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل سری زمانی
• 2. مفاهیم پایه‌ای سری‌های زمانی
• 3. انواع داده‌های سری زمانی
• 4. جمع‌آوری و آماده‌سازی داده‌های سری زمانی
• 5. وارد کردن داده‌های سری زمانی به PostgreSQL
• 6. ساخت جداول سری زمانی در PostgreSQL
• 7. شاخص‌گذاری مناسب برای سری‌های زمانی
• 8. بهینه‌سازی عملکرد پرس و جوهای سری زمانی
• 9. توابع پنجره‌ای در PostgreSQL برای تحلیل سری زمانی
• 10. محاسبه میانگین متحرک
• 11. محاسبه انحراف معیار متحرک
• 12. هموارسازی نمایی
• 13. تجزیه سری زمانی به اجزای فصلی و روند
• 14. روش‌های تجزیه سری زمانی در PostgreSQL
• 15. تخمین روند با استفاده از رگرسیون خطی
• 16. تخمین فصلی با استفاده از میانگین متحرک فصلی
• 17. بررسی ایستایی سری‌های زمانی
• 18. آزمون‌های ایستایی (Augmented Dickey-Fuller)
• 19. تبدیل داده‌های غیرایستا به ایستا (Differencing)
• 20. مدل‌سازی ARIMA: مفاهیم پایه
• 21. شناسایی مرتبه مدل ARIMA (ACF و PACF)
• 22. پیاده‌سازی مدل ARIMA در PostgreSQL با استفاده از افزونه TimescaleDB
• 23. پیش‌بینی با استفاده از مدل ARIMA
• 24. ارزیابی دقت پیش‌بینی
• 25. مدل‌سازی SARIMA: معرفی و کاربرد
• 26. شناسایی مرتبه مدل SARIMA
• 27. پیاده‌سازی مدل SARIMA در PostgreSQL
• 28. پیش‌بینی فصلی با استفاده از مدل SARIMA
• 29. مدل‌سازی GARCH: مفاهیم و کاربرد
• 30. شناسایی مدل GARCH مناسب
• 31. پیاده‌سازی مدل GARCH در PostgreSQL
• 32. پیش‌بینی نوسانات با استفاده از مدل GARCH
• 33. تحلیل داده‌های ناپیوسته
• 34. مدل‌های بقا و تحلیل سری زمانی
• 35. مدل‌سازی رگرسیونی با داده‌های سری زمانی
• 36. رگرسیون خودهمبسته
• 37. رگرسیون با تاخیر توزیع‌شده
• 38. تحلیل هم‌جمعی
• 39. آزمون‌های هم‌جمعی
• 40. مدل‌سازی برداری خودرگرسیونی (VAR)
• 41. پیش‌بینی با استفاده از مدل VAR
• 42. تحلیل شبکه‌های سری زمانی
• 43. تحلیل همبستگی متقابل
• 44. تحلیل انتقال اطلاعات
• 45. تحلیل تغییرات رژیم
• 46. استفاده از PostgreSQL برای ذخیره‌سازی و تحلیل داده‌های حسگرها
• 47. تحلیل داده‌های مالی سری زمانی
• 48. تحلیل داده‌های ترافیکی سری زمانی
• 49. تحلیل داده‌های آب و هوایی سری زمانی
• 50. استفاده از TimescaleDB برای تحلیل سری زمانی بزرگ
• 51. بهینه‌سازی پرس و جوهای پیچیده سری زمانی
• 52. مصورسازی داده‌های سری زمانی در PostgreSQL
• 53. ادغام PostgreSQL با ابزارهای مصورسازی (Grafana, Tableau)
• 54. استفاده از توابع آماری پیشرفته PostgreSQL
• 55. تحلیل outlier در سری‌های زمانی
• 56. تشخیص ناهنجاری با استفاده از مدل‌های آماری
• 57. تحلیل خوشه‌ای سری‌های زمانی
• 58. کاهش ابعاد سری‌های زمانی
• 59. پیش‌پردازش داده‌های سری زمانی
• 60. پاکسازی داده‌های گمشده
• 61. نرمال‌سازی داده‌های سری زمانی
• 62. کار با داده‌های سری زمانی نامنظم
• 63. تحلیل سری زمانی با داده‌های چند متغیره
• 64. تحلیل علت و معلولی در سری‌های زمانی
• 65. مقدمه‌ای بر یادگیری ماشین برای سری‌های زمانی
• 66. استفاده از الگوریتم‌های یادگیری ماشین در PostgreSQL (با افزونه‌ها)
• 67. ارزیابی و مقایسه مدل‌های مختلف سری زمانی
• 68. بهینه‌سازی پارامترهای مدل سری زمانی
• 69. استقرار مدل‌های سری زمانی در محیط عملیاتی
• 70. نظارت بر عملکرد مدل‌های سری زمانی
• 71. به‌روزرسانی مدل‌های سری زمانی
• 72. امنیت داده‌های سری زمانی در PostgreSQL
• 73. پشتیبان‌گیری و بازیابی داده‌های سری زمانی
• 74. مستندسازی و گزارش‌گیری از نتایج تحلیل سری زمانی