دوره تحلیل و مدل‌سازی سری‌های زمانی در پایتون همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل و مدل‌سازی سری‌های زمانی در پایتون

موضوع کلی: تحلیل داده‌ها و یادگیری ماشین

موضوع میانی: پیش‌بینی سری‌های زمانی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر سری‌های زمانی و کاربردهای آن‌ها
• 2. آشنایی با داده‌های سری زمانی و انواع آن‌ها
• 3. پیش‌پردازش داده‌های سری زمانی: پاکسازی و نرمال‌سازی
• 4. نمایش گرافیکی سری‌های زمانی: ابزارها و تکنیک‌ها
• 5. مفهوم میانگین متحرک و کاربرد آن در سری‌های زمانی
• 6. روش‌های محاسبه میانگین متحرک ساده و وزن‌دار
• 7. هموارسازی نمایی (Exponential Smoothing) و انواع آن
• 8. تحلیل روند (Trend Analysis) در سری‌های زمانی
• 9. تحلیل فصلی (Seasonality Analysis) و روش‌های شناسایی آن
• 10. تجزیه سری زمانی به اجزای روند، فصلی و تصادفی
• 11. مقدمه‌ای بر خودهمبستگی (Autocorrelation) و خودهمبستگی جزئی (Partial Autocorrelation)
• 12. محاسبه و تفسیر توابع خودهمبستگی و خودهمبستگی جزئی
• 13. مدل‌های خودرگرسیونی (AR) و ویژگی‌های آن‌ها
• 14. مدل‌های میانگین متحرک (MA) و ویژگی‌های آن‌ها
• 15. مدل‌های خودرگرسیونی میانگین متحرک (ARMA)
• 16. شناسایی مرتبه مدل ARMA با استفاده از ACF و PACF
• 17. تخمین پارامترهای مدل ARMA
• 18. آزمون برازش مدل ARMA و ارزیابی عملکرد آن
• 19. پیش‌بینی با استفاده از مدل‌های ARMA
• 20. مقدمه‌ای بر مدل‌های خودرگرسیونی یکپارچه میانگین متحرک (ARIMA)
• 21. شناسایی مرتبه مدل ARIMA و آزمون ایستایی
• 22. تبدیل سری‌های زمانی غیرایستا به ایستا (Differencing)
• 23. تخمین پارامترهای مدل ARIMA و ارزیابی عملکرد آن
• 24. پیش‌بینی با استفاده از مدل‌های ARIMA
• 25. مدل‌های ARIMA فصلی (SARIMA) و کاربرد آن‌ها
• 26. شناسایی مرتبه مدل SARIMA و تحلیل فصلی
• 27. تخمین پارامترهای مدل SARIMA و ارزیابی عملکرد آن
• 28. پیش‌بینی با استفاده از مدل‌های SARIMA
• 29. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN) در سری‌های زمانی
• 30. شبکه‌های حافظه طولانی-کوتاه مدت (LSTM) و کاربرد آن‌ها در پیش‌بینی سری زمانی
• 31. شبکه‌های گیت‌دار بازگشتی (GRU) و مقایسه با LSTM
• 32. آماده‌سازی داده‌ها برای شبکه‌های عصبی بازگشتی
• 33. ساخت و آموزش مدل LSTM برای پیش‌بینی سری زمانی
• 34. ارزیابی عملکرد مدل LSTM و تنظیم پارامترها
• 35. پیش‌بینی چندمتغیره سری‌های زمانی با استفاده از LSTM
• 36. مقدمه‌ای بر مدل‌های Prophet
• 37. کاربرد مدل Prophet در پیش‌بینی سری‌های زمانی با فصلی قوی
• 38. تنظیم پارامترهای مدل Prophet و ارزیابی عملکرد آن
• 39. مقایسه عملکرد مدل‌های ARIMA و Prophet
• 40. مقدمه‌ای بر تحلیل خوشه‌ای (Clustering) سری‌های زمانی
• 41. روش‌های خوشه‌بندی سری‌های زمانی و کاربرد آن‌ها
• 42. ارزیابی نتایج خوشه‌بندی سری‌های زمانی
• 43. تحلیل تغییرات رژیم (Regime Switching) در سری‌های زمانی
• 44. مدل‌های مارکوف مخفی (Hidden Markov Models) و کاربرد آن‌ها در سری‌های زمانی
• 45. مقدمه‌ای بر تحلیل طیفی (Spectral Analysis) سری‌های زمانی