دوره تحلیل و مدل‌سازی داده‌های سری زمانی فصلی با پایتون همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل و مدل‌سازی داده‌های سری زمانی فصلی با پایتون

موضوع کلی: اقتصادسنجی تجربی

موضوع میانی: تجزیه و تحلیل سری زمانی با پایتون

📋 سرفصل‌های دوره

• 1. مقدمه بر سری زمانی فصلی و اهمیت آن در اقتصادسنجی
• 2. مفاهیم پایه: ترند، فصلی، نویز، و استاتیکاری
• 3. انواع داده‌های فصلی: ماهانه، سه‌ماهه، سالانه
• 4. آماده‌سازی محیط کار: نصب Python، کتابخانه‌های essencial (pandas, numpy, statsmodels, matplotlib, seaborn)
• 5. بارگذاری و بررسی داده‌های سری زمانی در pandas
• 6. نمایش داده‌ها: نمودار خطی، نمودار فصلی، heatmap
• 7. تجزیه سری زمانی با متدهای کلاسیک: aditive و multiplicative decomposition
• 8. استفاده از statsmodels.tsa.seasonal_decompose
• 9. تست استاتیکاری: آزمون Dickey-Fuller augmentation (ADF)
• 10. تبدیل تفاضل برای حذف ترند و فصلی
• 11. استفاده از تفاضل فصلی (seasonal differencing)
• 12. مدل‌های ARIMA پایه و فرضیات
• 13. ارائهابی پارامترهای p, d, q با ACF و PACF
• 14. انتخاب خودکار پارامترها با auto_arima (pmdarima)
• 15. فیت مدل ARIMA و تشخیص لا مانده
• 16. پیش‌بینی با ARIMA و بازه‌های اعتماد
• 17. ارزیابی مدل: MAE, RMSE, MAPE
• 18. مدل SARIMA (Seasonal ARIMA) و مفهوم فصلی P, D, Q, s
• 19. انتخاب خودکار پارامترهای SARIMA با pmdarima
• 20. فیت و تشخیص SARIMA
• 21. پیش‌بینی فصلی با SARIMA
• 22. مقایسه مدل‌های ARIMA vs SARIMA
• 23. معرفی مدل‌های指数 smoothing: Holt-Winters فصلی
• 24. پیاده‌سازی Holt-Winters با statsmodels
• 25. تنظیم پارامترهای Alpha, Beta, Gamma
• 26. پیش‌بینی و ارزیابی Holt-Winters
• 27. معرفی مدل‌هایmachine learning برای سری زمانی: Random Forest, Gradient Boosting
• 28. ویژگی‌سازی Lag و rolling statistics
• 29. ایجاد ویژگی‌های فصلی (متغیرهایdummy، term‌های Fourier)
• 30. آموزش مدل Random Forest با داده‌های فصلی
• 31. آموزش مدل XGBoost برای پیش‌بینی سری زمانی
• 32. ارزیابی مدل‌های ML و مقایسه با آمارهای سنتی
• 33. معرفی مدل‌های deep learning: RNN, LSTM
• 34. پیاده‌سازی LSTM با TensorFlow/Keras برای سری زمانی فصلی
• 35. تنظیم последоваتی و batch size
• 36. پیش‌بینی و ارزیابی LSTM
• 37. استفاده از CNN برای استخراج ویژگی‌های فصلی
• 38. ترکیب CNN-LSTM (CNN-LSTM hybrid)
• 39. معرفی Prophet (Facebook) برای پیش‌بینی فصلی
• 40. پیکربندی Prophet با فصلی‌هایmultiplе
• 41. افزودن effet holiday و اثرات khusus در Prophet
• 42. ارزیابی Prophet و مقایسه با SARIMA
• 43. مدل‌هایhybrid: SARIMA + 잔دي‌هایML
• 44. استخراج ویژگی‌های از تجزیه سری زمانی (ترند، فصلی، 잔ди)
• 45. استفاده از ویژگی‌های استخراج شده در مدل‌های ML
• 46. مدیریت داده‌های ناقص و outliers در سری زمانی فصلی
• 47. تکنیک‌های imputation: خطی، spline، Kalman filter
• 48. تشخیص و käsitely outliers با معیارهای robust
• 49. مدیریت تغییرات ساختاری (structural breaks) با آزمون Chow و Bai-Perron
• 50. استفاده از متغیرهای外生 (exogenous) در مدل SARIMAX
• 51. ایجاد و ادغام متغیرهای外생: قیمت نفت، نرخ تبادل
• 52. فیت SARIMAX و ارزیابی
• 53. پیش‌بینی با متغیرهای外生
• 54. معرفی مدل‌های 벡터自己回귀 (VAR) برای چند متغیره فصلی
• 55. آماده‌سازی داده‌های چند متغیره برای VAR
• 56. تقدير VAR و آزمون Granger causality
• 57. پیش‌بینی متغیرهای چندگانه با VAR
• 58. استفاده از مدل‌های état-فضاء (state-space) و Kalman filter
• 59. پیاده‌سازی مدل مؤلفه‌های مشاهد‌نشده (UCM) با statsmodels
• 60. استخراج اجزاء روند و فصلی با UCM
• 61. پیش‌بینی با UCM
• 62. معرفی مدل‌های bayesian برای سری زمانی فصلی (Bayesian Structural Time Series)
• 63. پیاده‌سازی BSTS با PyMC3 یا مؤلفه‌های Bayesian Prophet
• 64. ارزیابی posterior و intervals
• 65. شبیه‌سازی مونتي کارلو برای عدم certeza پیش‌بینی
• 66. تولید سناریوهای پیش‌بینی با بوت استرپ مانده‌ها
• 67. بازبینی و بهینه‌سازی هیپرپارامترها با جستجوی شبکه و جستجوی تصادفی
• 68. استفاده از کتابخانه optuna برای بهینه‌سازی خودکار
• 69. پایپляйн خودکار پیش‌پردازش، مدل‌سازی، ارزیابی با scikit-learn Pipeline
• 70. ذخیره و بارگذاری مدل‌ها (pickle, joblib)
• 71. تولید گزارش خودکار با Jupyter Notebook و nbconvert
• 72. ایجاد داشبورد تعاملی با Plotly Dash یا Streamlit
• 73. نمایش پیش‌بینی‌ها و بازه‌های اعتماد در داشبورد
• 74. استخراجInsights اقتصادی از پیش‌بینی‌ها: پیش‌بینی رشد GDP فصلی
• 75. تحلیل سناریوهای سیاستی: اثر تغییرات مالیات بر سری زمانی
• 76. بررسی پایداری مدل در زمان (model drift) و به‌روزرسانی دوره‌ای
• 77. استراتژی‌های re‑training و یادگیری آنلاین
• 78. استفاده از دیتابیس‌های سری زمانی: InfluxDB, TimescaleDB
• 79. ارتباط با API‌های اقتصادی برای به‌روزرسانی داده‌ها (FRED, World Bank)
• 80. اتوماسیون پایپляйн با Apache Airflow یا Prefect
• 81. تست واحد برای توابع پیش‌پردازش و مدل‌سازی (pytest)
• 82. بهترین Practices در کدنویسی: PEP8, type hints, logging
• 83. مدیریت محیط‌های مجازی: conda, venv, pipenv
• 84. مستندسازی پروژه با Sphinx یا MkDocs
• 85. نشر مدل به‌عنوان API با FastAPI
• 86. استفاده از Docker برای encapsulating محیط
• 87. مانیتورینگ عملکرد مدل در producción با Evidently AI
• 88. به‌روزرسانی خودکار مدل با داده‌های جدید (pipeline retraining)
• 89. بررسی Ethics و side-effects در پیش‌بینی‌های اقتصادی
• 90. مطالعهٔ кейس‌های واقعی: پیش‌بینی تورم فصلی، فروشปลาย
• 91. پروژه capstone: ساخت مدل پیش‌بینی برای متغیر اقتصادی انتخابی
• 92. ارزیابی نهایی پروژه و ارائه نتایج
• 93. منابع یادگیری ادامه‌دار: کتاب‌ها، مقالات، cours
• 94. کامunitِ بین‌المللی: forums، 깃허브
• 95. آماده‌سازی برای استخدام: résumé، مصاحبه فنی
• 96. مرور کلی مفاهیم و نکات کلیدی
• 97. تست نهایی دوره (quiz)
• 98. بازخورد و بهبود مستمر
• 99. cerimônia پایان و اعتبار
• 100. منابع تکمیلی: لیست کتابخانه‌های Python مفید