دوره پیش‌بینی روندها و الگوهای رفتاری با سری‌های زمانی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیش‌بینی روندها و الگوهای رفتاری با سری‌های زمانی

موضوع کلی: علوم رفتاری و مدل‌سازی اجتماعی

موضوع میانی: مدل‌سازی یادگیری ماشینی و یادگیری کاربردی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر سری‌های زمانی و کاربرد آن‌ها در علوم رفتاری
• 2. مفاهیم پایه سری‌های زمانی: روند، فصلی بودن، نوسانات
• 3. انواع داده‌های سری زمانی: گسسته در برابر پیوسته، یک‌متغیره در برابر چندمتغیره
• 4. پیش‌پردازش داده‌های سری زمانی: پاکسازی داده‌ها و مدیریت مقادیر گمشده
• 5. هموارسازی سری‌های زمانی: میانگین متحرک، هموارسازی نمایی
• 6. تجزیه و تحلیل طیفی سری‌های زمانی: تبدیل فوریه و تحلیل دوره
• 7. معرفی مدل‌های ARIMA: خودهمبستگی و خودهمبستگی جزئی (ACF و PACF)
• 8. شناسایی مرتبه مدل ARIMA: استفاده از نمودارهای ACF و PACF
• 9. برآورد پارامترهای مدل ARIMA
• 10. تست و ارزیابی مدل ARIMA: معیارهای ارزیابی
• 11. پیش‌بینی با مدل‌های ARIMA: پیش‌بینی‌های نقطه‌ای و بازه‌های اطمینان
• 12. مدل‌های SARIMA: در نظر گرفتن فصلی بودن در سری‌های زمانی
• 13. مدل‌های GARCH: مدل‌سازی نوسانات در سری‌های زمانی
• 14. پیش‌بینی با مدل‌های SARIMA و GARCH
• 15. مدل‌سازی سری‌های زمانی غیرخطی: معرفی شبکه‌های عصبی
• 16. شبکه‌های عصبی بازگشتی (RNN) برای سری‌های زمانی
• 17. شبکه‌های LSTM و GRU برای پیش‌بینی سری‌های زمانی
• 18. استفاده از مدل‌های Prophet برای پیش‌بینی سری‌های زمانی
• 19. مقایسه مدل‌های مختلف سری زمانی: ARIMA، SARIMA، LSTM، Prophet
• 20. انتخاب مدل مناسب بر اساس ویژگی‌های داده‌ها
• 21. کاربرد سری‌های زمانی در پیش‌بینی رفتار مشتری
• 22. کاربرد سری‌های زمانی در پیش‌بینی تقاضا و موجودی
• 23. کاربرد سری‌های زمانی در پیش‌بینی روند بازار سهام
• 24. کاربرد سری‌های زمانی در پیش‌بینی رفتارهای اجتماعی
• 25. تحلیل و پیش‌بینی احساسات در شبکه‌های اجتماعی با سری‌های زمانی
• 26. پیش‌بینی رخدادهای غیرمعمول (Anomaly Detection) در سری‌های زمانی
• 27. استفاده از یادگیری تقویتی برای بهینه‌سازی استراتژی‌های رفتاری
• 28. مقدمه‌ای بر مدل‌سازی انتقال مارکوف و کاربرد آن در سری‌های زمانی رفتاری
• 29. تحلیل خوشه‌بندی سری‌های زمانی رفتاری
• 30. تحلیل و پیش‌بینی زنجیره‌های زمانی رویدادی
• 31. مدل‌سازی پویایی‌های رفتاری با استفاده از سیستم‌های دینامیکی
• 32. بررسی تاثیر متغیرهای خارجی بر سری‌های زمانی رفتاری
• 33. تکنیک‌های افزایش داده (Data Augmentation) برای سری‌های زمانی
• 34. پیاده‌سازی عملی پروژه‌های پیش‌بینی سری‌های زمانی در پایتون