دوره پیش‌بینی فروش و تقاضا با سری‌های زمانی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیش‌بینی فروش و تقاضا با سری‌های زمانی

موضوع کلی: تحلیل داده‌ها و یادگیری ماشین

موضوع میانی: پیش‌بینی سری‌های زمانی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر سری‌های زمانی و کاربرد آن‌ها در پیش‌بینی
• 2. اجزای سری‌های زمانی: روند، فصلی بودن، چرخه‌ای و تصادفی
• 3. روش‌های جمع‌آوری و آماده‌سازی داده‌های سری زمانی
• 4. نمودارهای سری زمانی: انواع و تفسیر
• 5. میانگین متحرک: مفاهیم و محاسبات
• 6. میانگین متحرک نمایی: مزایا و کاربردها
• 7. روش‌های صاف‌سازی نمایی: ساده، دوگانه و سه گانه
• 8. تحلیل روند با استفاده از رگرسیون خطی
• 9. تحلیل فصلی بودن با استفاده از تجزیه سری زمانی
• 10. شاخص‌های فصلی: محاسبه و تفسیر
• 11. مدل‌های خودهمبستگی (AR): مفاهیم اولیه
• 12. مدل‌های میانگین متحرک (MA): مفاهیم اولیه
• 13. مدل‌های خودهمبستگی میانگین متحرک (ARMA): ترکیب مدل‌ها
• 14. شناسایی مرتبه مدل‌های ARMA: توابع خودهمبستگی و خودهمبستگی جزئی
• 15. برآورد پارامترهای مدل‌های ARMA
• 16. آزمون‌های بررسی برازش مدل‌های ARMA
• 17. پیش‌بینی با استفاده از مدل‌های ARMA
• 18. مدل‌های خودهمبستگی یکپارچه میانگین متحرک (ARIMA): مفاهیم
• 19. شناسایی مرتبه مدل‌های ARIMA: تست‌های ایستایی
• 20. تبدیل داده‌های غیرایستا به ایستا: تفاضل‌گیری
• 21. برآورد پارامترهای مدل‌های ARIMA
• 22. آزمون‌های بررسی برازش مدل‌های ARIMA
• 23. پیش‌بینی با استفاده از مدل‌های ARIMA
• 24. مدل‌های فصلی ARIMA (SARIMA): مفاهیم و کاربردها
• 25. شناسایی مرتبه مدل‌های SARIMA
• 26. پیش‌بینی فصلی با استفاده از مدل‌های SARIMA
• 27. ارزیابی دقت پیش‌بینی: معیارهای خطا (MAE, MSE, RMSE)
• 28. تحلیل باقیمانده‌ها: بررسی فرضیات مدل
• 29. مدل‌های انتقال حالت و پیش‌بینی سری‌های زمانی
• 30. روش‌های بوت‌استرپ برای ارزیابی عدم قطعیت پیش‌بینی
• 31. شبکه‌های عصبی مصنوعی در پیش‌بینی سری‌های زمانی: مقدمه
• 32. شبکه‌های عصبی بازگشتی (RNN) و LSTM برای سری‌های زمانی
• 33. آماده‌سازی داده‌ها برای شبکه‌های عصبی
• 34. انتخاب معماری شبکه عصبی مناسب
• 35. آموزش و ارزیابی شبکه‌های عصبی در پیش‌بینی سری‌های زمانی
• 36. پیش‌بینی فروش با استفاده از مدل‌های سری زمانی: مطالعه موردی
• 37. پیش‌بینی تقاضا در زنجیره تامین با سری‌های زمانی
• 38. پیش‌بینی قیمت سهام با استفاده از سری‌های زمانی
• 39. پیش‌بینی نرخ ارز با استفاده از مدل‌های سری زمانی
• 40. تحلیل سری‌های زمانی چندمتغیره: مدل‌های VAR و VECM
• 41. پیش‌بینی با استفاده از مدل‌های VAR و VECM
• 42. کاربردهای پیش‌بینی سری‌های زمانی در بازاریابی
• 43. پیش‌بینی سری‌های زمانی با استفاده از نرم‌افزارهای آماری (مثال: R, Python)
• 44. رگرسیون سری زمانی با متغیرهای کمکی
• 45. مدل‌سازی و پیش‌بینی داده‌های پنلی سری زمانی