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

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل سری‌های زمانی با Python

موضوع کلی: اقتصادسنجی و روش‌های تخمین علّی

موضوع میانی: Python (Pandas, NumPy, SciPy, Statsmodels, Scikit-learn)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر سری‌های زمانی و کاربردهای آن‌ها در اقتصادسنجی
• 2. مروری بر پایتون برای تحلیل سری‌های زمانی
• 3. آشنایی با کتابخانه‌های Pandas و NumPy
• 4. خواندن و پردازش داده‌های سری زمانی با Pandas
• 5. نمایش گرافیکی سری‌های زمانی
• 6. مفاهیم پایه آمار و احتمال برای سری‌های زمانی
• 7. تحلیل توصیفی سری‌های زمانی: میانگین، واریانس، انحراف معیار
• 8. تحلیل همبستگی و خودهمبستگی در سری‌های زمانی
• 9. تست‌های ایستایی سری‌های زمانی: ADF، KPSS
• 10. سری‌های زمانی غیرایستا و تبدیل آن‌ها به سری‌های ایستا
• 11. تست ریشه واحد و مرتبه یکپارچگی
• 12. مقدمه‌ای بر مدل‌های ARIMA
• 13. تعیین پارامترهای ARIMA (p, d, q)
• 14. برآورد مدل‌های ARIMA با استفاده از Statsmodels
• 15. ارزیابی و اعتبارسنجی مدل‌های ARIMA
• 16. پیش‌بینی با مدل‌های ARIMA
• 17. مدل‌های SARIMA و کاربرد آن‌ها در داده‌های فصلی
• 18. تحلیل فصلی و حذف فصلی
• 19. مدل‌های GARCH و کاربرد آن‌ها در مدل‌سازی نوسانات
• 20. تست‌های ARCH و GARCH
• 21. پیش‌بینی نوسانات با استفاده از مدل‌های GARCH
• 22. مفاهیم پایه مدل‌های فضای حالت (State Space Models)
• 23. مدل‌سازی با استفاده از Kalman Filter
• 24. تحلیل واریانس (Variance Decomposition)
• 25. تست‌های علیت Granger
• 26. مدل‌سازی واریانس شرطی (Conditional Variance Modeling)
• 27. برآورد مدل‌های VAR (Vector Autoregression)
• 28. تحلیل پایداری مدل‌های VAR
• 29. پیش‌بینی با مدل‌های VAR
• 30. مقدمه‌ای بر مدل‌های SVAR (Structural VAR)
• 31. شناسایی شوک‌ها در مدل‌های SVAR
• 32. تحلیل تکانه (Impulse Response Analysis)
• 33. تجزیه واریانس در مدل‌های SVAR
• 34. تحلیل کواریانس (Covariance Analysis)
• 35. آشنایی با مدل‌های مبتنی بر یادگیری ماشین برای سری‌های زمانی
• 36. استفاده از Scikit-learn برای پیش‌بینی سری‌های زمانی
• 37. مدل‌سازی با شبکه‌های عصبی بازگشتی (RNN)
• 38. مدل‌سازی با LSTM (Long Short-Term Memory)
• 39. تحلیل سری‌های زمانی با داده‌های با فرکانس بالا
• 40. مدل‌سازی و پیش‌بینی داده‌های مالی با استفاده از سری‌های زمانی
• 41. تحلیل ریسک با استفاده از سری‌های زمانی
• 42. کاربرد سری‌های زمانی در پیش‌بینی تقاضا
• 43. تحلیل داده‌های مکانی-زمانی
• 44. استفاده از کتابخانه GeoPandas برای تحلیل سری‌های زمانی مکانی
• 45. تحلیل سری‌های زمانی چندمتغیره
• 46. مدل‌سازی و پیش‌بینی داده‌های پنلی با سری‌های زمانی
• 47. پیش‌پردازش داده‌های سری زمانی: حذف نویز و داده‌های پرت
• 48. مفاهیم پایه‌ای در تحلیل داده‌های نامنظم
• 49. روش‌های درون‌یابی (Interpolation) برای داده‌های نامنظم