دوره ساخت pipeline داده برای سری‌های زمانی؛ از ingest تا forecast همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت pipeline داده برای سری‌های زمانی؛ از ingest تا forecast

موضوع کلی: اقتصادسنجی سری‌های زمانی

موضوع میانی: پیاده‌سازی مدل‌های اقتصادسنجی سری‌های زمانی با کد

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر Pipeline داده برای سری‌های زمانی
• 2. معماری یک Pipeline داده اقتصادسنجی
• 3. انتخاب ابزارهای مناسب برای Pipeline داده سری‌های زمانی
• 4. مبانی کار با پایتون برای اقتصادسنجی سری‌های زمانی
• 5. کار با کتابخانه Pandas برای داده‌های سری زمانی
• 6. خواندن داده‌های سری زمانی از منابع مختلف (CSV، Excel، پایگاه داده)
• 7. پاکسازی و پیش‌پردازش داده‌های سری زمانی
• 8. مدیریت داده‌های گمشده در سری‌های زمانی
• 9. تشخیص و حذف ناهنجاری‌ها (Outliers) در سری‌های زمانی
• 10. تبدیل داده‌های سری زمانی (Transformation)
• 11. نرمال‌سازی و استانداردسازی داده‌های سری زمانی
• 12. ویژگی‌های مهندسی (Feature Engineering) برای سری‌های زمانی
• 13. ایجاد تاخیر (Lag) در سری‌های زمانی
• 14. محاسبه میانگین متحرک (Moving Average)
• 15. محاسبه شاخص‌های آماری توصیفی برای سری‌های زمانی
• 16. مقدمه‌ای بر سری‌های زمانی ایستاوار (Stationary Time Series)
• 17. آزمون‌های ایستایی (ADF, KPSS)
• 18. تبدیل سری‌های زمانی غیرایستا به ایستا (Differencing)
• 19. مقدمه‌ای بر مدل‌های ARIMA
• 20. شناسایی پارامترهای ARIMA (ACF, PACF)
• 21. پیاده‌سازی مدل ARIMA در پایتون
• 22. پیش‌بینی با مدل ARIMA
• 23. ارزیابی عملکرد مدل ARIMA (RMSE, MAE)
• 24. مقدمه‌ای بر مدل‌های SARIMA
• 25. شناسایی پارامترهای SARIMA
• 26. پیاده‌سازی مدل SARIMA در پایتون
• 27. پیش‌بینی با مدل SARIMA
• 28. ارزیابی عملکرد مدل SARIMA
• 29. مقدمه‌ای بر مدل‌های Exponential Smoothing
• 30. روش‌های Holt-Winters
• 31. پیاده‌سازی Holt-Winters در پایتون
• 32. پیش‌بینی با Holt-Winters
• 33. ارزیابی عملکرد Holt-Winters
• 34. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN) برای سری‌های زمانی
• 35. شبکه LSTM برای پیش‌بینی سری‌های زمانی
• 36. آماده‌سازی داده‌ها برای LSTM
• 37. پیاده‌سازی مدل LSTM در پایتون
• 38. پیش‌بینی با مدل LSTM
• 39. ارزیابی عملکرد مدل LSTM
• 40. مقدمه‌ای بر مدل‌های Prophet
• 41. پیاده‌سازی مدل Prophet در پایتون
• 42. پیش‌بینی با مدل Prophet
• 43. ارزیابی عملکرد مدل Prophet
• 44. بهینه‌سازی پارامترهای مدل‌های سری زمانی (Grid Search, Random Search)
• 45. اعتبارسنجی متقابل (Cross-Validation) برای سری‌های زمانی
• 46. مبانی کار با پایگاه داده‌های سری زمانی (Time Series Databases)
• 47. ذخیره‌سازی داده‌های سری زمانی در پایگاه داده
• 48. بازیابی داده‌های سری زمانی از پایگاه داده
• 49. ساخت داشبوردهای پیش‌بینی سری‌های زمانی
• 50. استقرار (Deployment) Pipeline داده سری‌های زمانی
• 51. مانیتورینگ و نگهداری Pipeline داده سری‌های زمانی