فلش‌کارت‌های آموزشی تحلیل سری‌های زمانی با پایتون: پیش‌بینی و مدل‌سازی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل سری‌های زمانی با پایتون: پیش‌بینی و مدل‌سازی

موضوع کلی: برنامه نویسی

موضوع میانی: علم داده (Data Science)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل سری‌های زمانی و اهمیت آن
• 2. مفاهیم پایه: سری زمانی، داده‌های زمانی، انواع داده‌های زمانی
• 3. نصب و راه‌اندازی پایتون و کتابخانه‌های مورد نیاز (Pandas، NumPy، Matplotlib، Statsmodels)
• 4. مروری بر Pandas: ساختار داده DataFrame و Series
• 5. خواندن و نوشتن داده‌های سری زمانی با Pandas
• 6. پیش‌پردازش داده‌های سری زمانی: تمیز کردن داده‌ها، حذف مقادیر گمشده
• 7. تبدیل داده‌های سری زمانی: تغییر مقیاس، نرمال‌سازی، یکنواخت‌سازی
• 8. استخراج ویژگی‌ها از داده‌های سری زمانی: تاریخ، زمان، فصل
• 9. تجسم داده‌های سری زمانی: نمودارهای خطی، پراکندگی، هیستوگرام
• 10. شناسایی الگوهای پایه در سری‌های زمانی: روند، فصلی بودن، چرخه
• 11. تحلیل توصیفی سری‌های زمانی: آمار خلاصه، میانگین، انحراف معیار، چارک‌ها
• 12. تجزیه سری زمانی: تفکیک روند، فصلی بودن و باقیمانده
• 13. مفهوم ایستایی و ناایستایی در سری‌های زمانی
• 14. آزمون ایستایی: آزمون دیکی-فولر تعمیم‌یافته (ADF)
• 15. تبدیلات برای ایستایی‌سازی سری‌های زمانی: تفاضل‌گیری، لگاریتم
• 16. خودهمبستگی و همبستگی جزئی خودکار (ACF و PACF)
• 17. شناسایی و تشخیص ACF و PACF
• 18. مدل‌های میانگین متحرک خودرگرسیو (ARMA): مقدمه
• 19. برآورد پارامترهای مدل ARMA
• 20. انتخاب مدل ARMA: معیار اطلاعات آکائیک (AIC) و معیار اطلاعات بویزی (BIC)
• 21. ارزیابی مدل ARMA: باقی‌مانده‌ها و نمودارهای آن‌ها
• 22. مدل‌های میانگین متحرک خودرگرسیو انتگرالی (ARIMA): مقدمه
• 23. برآورد پارامترهای مدل ARIMA
• 24. انتخاب مدل ARIMA
• 25. ارزیابی مدل ARIMA
• 26. پیش‌بینی با مدل‌های ARIMA
• 27. مدل‌سازی فصلی (SARIMA): مقدمه
• 28. برآورد پارامترهای مدل SARIMA
• 29. انتخاب مدل SARIMA
• 30. ارزیابی مدل SARIMA
• 31. پیش‌بینی با مدل‌های SARIMA
• 32. مدل‌های سری زمانی چندمتغیره (VAR): مقدمه
• 33. برآورد پارامترهای مدل VAR
• 34. انتخاب مدل VAR
• 35. ارزیابی مدل VAR
• 36. پیش‌بینی با مدل‌های VAR
• 37. مقدمه‌ای بر شبکه‌های عصبی و یادگیری عمیق برای سری‌های زمانی
• 38. شبکه‌های عصبی بازگشتی (RNN): مقدمه
• 39. سلول‌های LSTM و GRU
• 40. ساخت مدل‌های LSTM و GRU در Keras/TensorFlow
• 41. آموزش و ارزیابی مدل‌های LSTM و GRU
• 42. مدل‌های پیش‌بینی سری زمانی با استفاده از LSTM
• 43. مدل‌های پیش‌بینی سری زمانی با استفاده از GRU
• 44. مدل‌های ترکیبی: ترکیب مدل‌های مختلف
• 45. بهینه‌سازی هایپرپارامترها برای مدل‌های سری زمانی
• 46. اعتبارسنجی متقابل برای سری‌های زمانی
• 47. بررسی اجمالی روش‌های Ensemble برای سری‌های زمانی
• 48. مدل‌های درخت تصمیم و جنگل تصادفی برای سری‌های زمانی
• 49. مدل‌سازی با XGBoost برای سری‌های زمانی
• 50. پردازش داده‌های ورودی برای مدل‌های یادگیری ماشین
• 51. مدل‌سازی رگرسیون برای سری‌های زمانی
• 52. تحلیل موجک برای سری‌های زمانی
• 53. کاربرد تبدیل فوریه در تحلیل سری‌های زمانی
• 54. تشخیص ناهنجاری‌ها در سری‌های زمانی
• 55. تحلیل رویدادها در سری‌های زمانی
• 56. روش‌های تخمین فضای حالت: فیلتر کالمن
• 57. کاربرد فیلتر کالمن در پیش‌بینی
• 58. مدل‌سازی GARCH برای داده‌های نوسانی
• 59. مدل‌سازی ARCH و GARCH
• 60. آنالیز سری‌های زمانی با استفاده از کتابخانه‌های مختلف (prophet, sktime)
• 61. آشنایی با کتابخانه Prophet فیسبوک
• 62. مدل‌سازی سری‌های زمانی با Prophet
• 63. آشنایی با کتابخانه sktime
• 64. استفاده از sktime برای پیش‌بینی سری‌های زمانی
• 65. کاربرد سری‌های زمانی در پیش‌بینی بازار سهام
• 66. کاربرد سری‌های زمانی در پیش‌بینی آب و هوا
• 67. کاربرد سری‌های زمانی در پیش‌بینی تقاضای محصول
• 68. کاربرد سری‌های زمانی در تشخیص کلاهبرداری
• 69. تحلیل احساسات بر اساس داده‌های سری زمانی
• 70. آنالیز شبکه‌های اجتماعی با استفاده از سری‌های زمانی
• 71. کاربرد سری‌های زمانی در اینترنت اشیا (IoT)
• 72. تکنیک‌های پیش‌بینی پیشرفته: بوت‌استرپینگ
• 73. تکنیک‌های پیش‌بینی پیشرفته: مدل‌های پویا
• 74. تکنیک‌های پیش‌بینی پیشرفته: پیش‌بینی غیرخطی
• 75. مدل‌سازی چند مقیاسی سری‌های زمانی
• 76. ارزیابی عملکرد مدل‌های پیش‌بینی: MAE، MSE، RMSE، MAPE
• 77. ارزیابی مدل‌های پیش‌بینی: عملکرد کلی و دقت
• 78. مقایسه مدل‌های مختلف و انتخاب بهترین مدل
• 79. مدیریت و ذخیره‌سازی داده‌های سری زمانی
• 80. مقیاس‌پذیری و عملکرد در تحلیل سری‌های زمانی
• 81. بهره‌گیری از پردازش موازی برای تحلیل سری‌های زمانی
• 82. تجسم داده‌های پیش‌بینی
• 83. گزارش‌دهی و تفسیر نتایج تحلیل سری‌های زمانی
• 84. اهمیت تفسیر در مدل‌سازی سری‌های زمانی
• 85. معرفی کتابخانه‌ها و ابزارهای پیشرفته برای تحلیل سری‌های زمانی
• 86. تکنیک‌های کاهش ابعاد برای سری‌های زمانی
• 87. آشنایی با پردازش زبان طبیعی (NLP) و سری‌های زمانی
• 88. ادغام داده‌های سری زمانی با داده‌های دیگر
• 89. چالش‌ها و محدودیت‌های تحلیل سری‌های زمانی
• 90. اخلاقیات در استفاده از داده‌های سری زمانی
• 91. آینده تحلیل سری‌های زمانی و روندها
• 92. منابع و مراجع برای یادگیری بیشتر
• 93. پروژه‌های عملی و نمونه‌های موردی
• 94. تمرین عملی و پیاده‌سازی مدل‌ها
• 95. جمع‌بندی و مرور کلی دوره
• 96. ارائه پروژه نهایی و جمع‌بندی نهایی
• 97. آزمون‌های ایستایی (Stationarity Tests) سری‌های زمانی (مانند ADF و KPSS)
• 98. تجزیه سری‌های زمانی (Time Series Decomposition): تفکیک روند، فصلی بودن و باقیمانده
• 99. مدل‌های هموارسازی نمایی (Exponential Smoothing Models): از هموارسازی ساده تا هولت-وینترز
• 100. مدل‌سازی با AR, MA, ARMA و ARIMA: مفاهیم و پیاده‌سازی