کتاب کاربرد بوت‌استرپ در داده‌کاوی سری زمانی با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاربرد بوت‌استرپ در داده‌کاوی سری زمانی

موضوع کلی: مدل‌سازی سری‌های زمانی چندمتغیره و تنسوری

موضوع میانی: روش‌های بوت‌استرپ (Bootstrap Methods)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر داده‌کاوی سری زمانی
• 2. مبانی آمار برای تحلیل سری‌های زمانی
• 3. پیش‌پردازش داده‌های سری زمانی
• 4. روش‌های نمایش سری‌های زمانی
• 5. تجزیه واریانس و خودهمبستگی
• 6. توابع خودهمبستگی و خودهمبستگی جزئی
• 7. مدل‌های خودرگرسیونی (AR)
• 8. مدل‌های میانگین متحرک (MA)
• 9. مدل‌های خودرگرسیونی میانگین متحرک (ARMA)
• 10. مدل‌های خودرگرسیونی انتگرال میانگین متحرک (ARIMA)
• 11. انتخاب مرتبه مدل ARIMA
• 12. آزمون‌های بررسی برازش مدل ARIMA
• 13. پیش‌بینی با مدل‌های ARIMA
• 14. مقدمه‌ای بر بوت‌استرپ
• 15. روش‌های نمونه‌گیری بوت‌استرپ
• 16. تخمین فواصل اطمینان با بوت‌استرپ
• 17. آزمون‌های فرضیه با بوت‌استرپ
• 18. کاربرد بوت‌استرپ در ارزیابی مدل‌های سری زمانی
• 19. بوت‌استرپ برای پیش‌بینی سری‌های زمانی
• 20. مدل‌های GARCH و کاربرد بوت‌استرپ
• 21. بوت‌استرپ برای داده‌های با وابستگی زمانی
• 22. روش‌های ارزیابی عملکرد مدل‌های پیش‌بینی
• 23. معیارهای خطا در پیش‌بینی سری‌های زمانی
• 24. تحلیل باقیمانده‌ها در مدل‌های سری زمانی
• 25. مدل‌سازی فصلی با ARIMA
• 26. مدل‌های SARIMA و کاربرد بوت‌استرپ
• 27. بوت‌استرپ برای داده‌های فصلی
• 28. تحلیل ناپایداری در سری‌های زمانی
• 29. آزمون‌های ناپایداری
• 30. مدل‌سازی با داده‌های ناپایدار
• 31. روش‌های تثبیت واریانس در سری‌های زمانی
• 32. تبدیلات داده برای بهبود مدل‌سازی
• 33. استفاده از بوت‌استرپ در تشخیص تغییرات ساختاری
• 34. تحلیل خوشه‌ای سری‌های زمانی
• 35. کاهش ابعاد سری‌های زمانی
• 36. روش‌های انتخاب ویژگی در داده‌کاوی سری زمانی
• 37. کاربرد بوت‌استرپ در انتخاب ویژگی
• 38. شبکه‌های عصبی مصنوعی برای سری‌های زمانی
• 39. مدل‌های LSTM و کاربرد بوت‌استرپ
• 40. پیش‌بینی سری‌های زمانی با LSTM و بوت‌استرپ
• 41. کاربرد بوت‌استرپ در تنظیم هایپرپارامترهای LSTM
• 42. تحلیل احساسات از روی سری‌های زمانی متنی
• 43. تحلیل روند در سری‌های زمانی مالی
• 44. مدل‌سازی تقاضا در سری‌های زمانی فروش
• 45. پیش‌بینی ترافیک شبکه با استفاده از سری‌های زمانی