کتاب تحلیل سری‌های زمانی با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل سری‌های زمانی

موضوع کلی: مدل‌سازی ریاضی پدیده‌های پیچیده

موضوع میانی: مدل‌سازی تحلیل اکتشافی داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل سری‌های زمانی
• 2. مفاهیم پایه سری‌های زمانی و کاربردها
• 3. انواع داده‌های سری زمانی
• 4. نمودارهای سری‌های زمانی و تفسیر آنها
• 5. تجزیه سری‌های زمانی به اجزای مختلف
• 6. میانگین متحرک و کاربردهای آن
• 7. روش‌های هموارسازی نمایی
• 8. روش براون و مدل‌های هموارسازی
• 9. معیارهای ارزیابی دقت پیش‌بینی
• 10. خودهمبستگی و خودارتباط جزئی
• 11. توابع خودهمبستگی و خودارتباط جزئی
• 12. مدل‌های AR (میانگین متحرک خودرگرسیون)
• 13. مدل‌های MA (میانگین متحرک)
• 14. مدل‌های ARMA (میانگین متحرک خودرگرسیون میانگین)
• 15. شناسایی مرتبه مدل ARMA
• 16. برآورد پارامترهای مدل ARMA
• 17. آزمون‌های بررسی برازش مدل
• 18. پیش‌بینی با استفاده از مدل‌های ARMA
• 19. مدل‌های ARIMA (میانگین متحرک خودرگرسیون انتگرال)
• 20. تفاوت‌گیری در سری‌های زمانی
• 21. شناسایی مرتبه مدل ARIMA
• 22. برآورد پارامترهای مدل ARIMA
• 23. آزمون‌های بررسی برازش مدل ARIMA
• 24. پیش‌بینی با استفاده از مدل‌های ARIMA
• 25. مدل‌های SARIMA (فصلی ARIMA)
• 26. تجزیه فصلی سری‌های زمانی
• 27. شناسایی مرتبه مدل SARIMA
• 28. برآورد پارامترهای مدل SARIMA
• 29. پیش‌بینی با استفاده از مدل‌های SARIMA
• 30. مدل‌های GARCH (خودرگرسیون شرطی ناهمسانی واریانس)
• 31. کاربردهای مدل‌های GARCH در مدیریت ریسک
• 32. مدل‌های ARCH (خودرگرسیون شرطی ناهمسانی واریانس)
• 33. آزمون‌های بررسی ناهمسانی واریانس
• 34. پیش‌بینی واریانس با استفاده از مدل‌های GARCH
• 35. تحلیل سری‌های زمانی غیرخطی
• 36. روش‌های آشوب در سری‌های زمانی
• 37. شبکه‌های عصبی مصنوعی در تحلیل سری‌های زمانی
• 38. ماشین بردار پشتیبان در تحلیل سری‌های زمانی
• 39. کاربرد تحلیل سری‌های زمانی در اقتصاد
• 40. کاربرد تحلیل سری‌های زمانی در پیش‌بینی فروش
• 41. کاربرد تحلیل سری‌های زمانی در پیش‌بینی تقاضا
• 42. کاربرد تحلیل سری‌های زمانی در هواشناسی
• 43. کاربرد تحلیل سری‌های زمانی در تحلیل بازار سهام
• 44. استفاده از نرم‌افزارهای آماری در تحلیل سری‌های زمانی
• 45. تحلیل سری‌های زمانی با استفاده از R