فلش‌کارت‌های آموزشی از داده تا پیش‌بینی افول: مطالعه موردی کاهش مسافران تاکسی‌های نیویورک با سری‌های زمانی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره از داده تا پیش‌بینی افول: مطالعه موردی کاهش مسافران تاکسی‌های نیویورک با سری‌های زمانی

موضوع کلی: مدل‌سازی و پیش‌بینی در علم داده

موضوع میانی: تحلیل سری‌های زمانی پیشرفته برای پیش‌بینی روندهای کسب و کار

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و پیش‌بینی
• 2. مروری بر سری‌های زمانی و کاربردهای آن در کسب و کار
• 3. معرفی مطالعه موردی: کاهش مسافران تاکسی‌های نیویورک
• 4. اهمیت پیش‌بینی روندهای کسب و کار برای تصمیم‌گیری
• 5. مبانی آمار و احتمالات برای تحلیل سری‌های زمانی
• 6. آشنایی با نرم‌افزارها و زبان‌های برنامه‌نویسی مورد استفاده (Python, R)
• 7. نصب و پیکربندی ابزارهای مورد نیاز
• 8. آشنایی با کتابخانه‌های اصلی سری‌های زمانی (Pandas, Statsmodels, Prophet)
• 9. وارد کردن و پاکسازی داده‌های اولیه (Daily Passenger Counts 2017-2019)
• 10. بررسی و تحلیل اجمالی داده‌ها (EDA)
• 11. مصورسازی داده‌های سری زمانی (Time Series Visualization)
• 12. تشخیص الگوهای زمانی (Trends, Seasonality, Cyclical patterns)
• 13. تجزیه و تحلیل روند (Trend Analysis)
• 14. تشخیص فصلی‌بودن (Seasonality Detection)
• 15. تجزیه سری زمانی به اجزاء (Time Series Decomposition)
• 16. آزمون‌های ایستایی (Stationarity Tests): ADF, KPSS
• 17. تبدیل داده‌ها برای ایجاد ایستایی (Differencing, Transformation)
• 18. آشنایی با همبستگی (Correlation) و خودهمبستگی (Autocorrelation)
• 19. محاسبه و تفسیر توابع خودهمبستگی (ACF) و خودهمبستگی جزئی (PACF)
• 20. مدل‌های میانگین متحرک (Moving Average Models)
• 21. مدل‌های خودرگرسیونی (Autoregressive Models)
• 22. مدل‌های ARMA: ترکیب میانگین متحرک و خودرگرسیونی
• 23. مدل‌های ARIMA: افزودن انتگرال‌گیری به ARMA برای داده‌های غیراستا
• 24. انتخاب مرتبه (Order) مناسب برای مدل ARIMA (p, d, q)
• 25. روش‌های تعیین مرتبه ARIMA: ACF, PACF, AIC, BIC
• 26. برآورد پارامترهای مدل ARIMA
• 27. ارزیابی مدل ARIMA: Residual Analysis
• 28. تشخیص و رفع ناهمسانی واریانس (Heteroscedasticity)
• 29. پیش‌بینی با استفاده از مدل ARIMA
• 30. محاسبه بازه‌های اطمینان (Confidence Intervals) برای پیش‌بینی‌ها
• 31. معرفی مدل‌های فصلی ARIMA (SARIMA)
• 32. تشخیص و مدل‌سازی فصلی‌بودن در داده‌های تاکسی
• 33. انتخاب پارامترهای SARIMA (P, D, Q, m)
• 34. ارزیابی و مقایسه مدل‌های ARIMA و SARIMA
• 35. مقدمه‌ای بر مدل‌های نمایی (Exponential Smoothing)
• 36. روش‌های هموارسازی نمایی ساده (Simple Exponential Smoothing)
• 37. روش‌های هموارسازی نمایی دوبل (Double Exponential Smoothing)
• 38. روش‌های هموارسازی نمایی سه‌گانه (Triple Exponential Smoothing - Holt-Winters)
• 39. انتخاب روش هموارسازی نمایی مناسب
• 40. بهینه‌سازی پارامترهای مدل‌های نمایی
• 41. پیش‌بینی با استفاده از مدل‌های نمایی
• 42. ارزیابی دقت مدل‌های نمایی
• 43. معرفی مدل Prophet: یک مدل پیش‌بینی قدرتمند از فیسبوک
• 44. نصب و راه‌اندازی Prophet
• 45. آماده‌سازی داده‌ها برای Prophet
• 46. برازش مدل Prophet
• 47. پیش‌بینی با استفاده از Prophet
• 48. تفسیر نتایج Prophet
• 49. تغییر پارامترهای Prophet برای بهبود دقت پیش‌بینی
• 50. بررسی اثر تعطیلات و رویدادها بر سوار شدن تاکسی‌ها
• 51. ادغام اطلاعات تعطیلات و رویدادها در مدل Prophet
• 52. معرفی مدل‌های شبکه عصبی بازگشتی (Recurrent Neural Networks - RNNs)
• 53. مبانی شبکه‌های عصبی و یادگیری عمیق
• 54. آشنایی با LSTM (Long Short-Term Memory) و GRU (Gated Recurrent Unit)
• 55. آماده‌سازی داده‌ها برای مدل‌های RNN
• 56. ساخت و آموزش یک مدل LSTM برای پیش‌بینی سوار شدن تاکسی‌ها
• 57. بهینه‌سازی پارامترهای مدل LSTM
• 58. ارزیابی عملکرد مدل LSTM
• 59. مقایسه مدل LSTM با مدل‌های ARIMA و Prophet
• 60. مقدمه‌ای بر مدل‌های رگرسیونی سری زمانی (Time Series Regression)
• 61. استفاده از متغیرهای بیرونی (Exogenous Variables) در مدل
• 62. انتخاب متغیرهای مرتبط با سوار شدن تاکسی‌ها (آب و هوا، رویدادهای شهری)
• 63. ادغام متغیرهای بیرونی در مدل‌های ARIMA و Prophet
• 64. ارزیابی تاثیر متغیرهای بیرونی بر دقت پیش‌بینی
• 65. آشنایی با روش‌های ارزیابی پیش‌بینی (Forecast Evaluation)
• 66. معیارهای ارزیابی: RMSE, MAE, MAPE
• 67. انتخاب معیار ارزیابی مناسب برای مسئله پیش‌بینی سوار شدن تاکسی‌ها
• 68. مقایسه مدل‌های مختلف با استفاده از معیارهای ارزیابی
• 69. اعتبارسنجی متقابل سری زمانی (Time Series Cross-Validation)
• 70. پیاده‌سازی روش‌های اعتبارسنجی متقابل
• 71. انتخاب بهترین مدل بر اساس نتایج اعتبارسنجی متقابل
• 72. تشخیص نقاط پرت (Outliers) در سری زمانی
• 73. روش‌های شناسایی نقاط پرت
• 74. مدیریت نقاط پرت: حذف، جایگزینی، یا مدل‌سازی
• 75. بررسی تاثیر نقاط پرت بر دقت پیش‌بینی
• 76. تحلیل حساسیت (Sensitivity Analysis)
• 77. بررسی تاثیر تغییرات در پارامترهای مدل بر پیش‌بینی‌ها
• 78. ارزیابی استحکام (Robustness) مدل
• 79. تحلیل سناریو (Scenario Analysis)
• 80. پیش‌بینی در سناریوهای مختلف (رکود اقتصادی، افزایش قیمت بنزین)
• 81. ارائه نتایج پیش‌بینی به ذینفعان (Stakeholders)
• 82. مصورسازی نتایج پیش‌بینی
• 83. تهیه گزارش پیش‌بینی
• 84. ارائه توصیه‌ها بر اساس نتایج پیش‌بینی
• 85. بهینه‌سازی عملیات تاکسیرانی بر اساس پیش‌بینی‌ها
• 86. تخصیص ناوگان تاکسی بر اساس تقاضای پیش‌بینی‌شده
• 87. قیمت‌گذاری پویا (Dynamic Pricing) بر اساس تقاضا
• 88. بهبود تجربه مشتری با استفاده از پیش‌بینی‌ها
• 89. آینده‌نگری: پیش‌بینی با در نظر گرفتن عوامل جدید (COVID-19, Ride-sharing)
• 90. ادغام داده‌های جدید در مدل‌های پیش‌بینی
• 91. تطبیق مدل‌ها با شرایط جدید
• 92. نکات پیشرفته در تحلیل سری‌های زمانی
• 93. روش‌های پیشرفته پیش‌بینی
• 94. چالش‌ها و محدودیت‌های پیش‌بینی سری‌های زمانی
• 95. خلاصه دوره و نکات کلیدی
• 96. منابع تکمیلی برای یادگیری بیشتر
• 97. پروژه عملی: پیش‌بینی سوار شدن تاکسی‌ها با داده‌های جدید
• 98. ارائه و بحث در مورد پروژه‌های عملی
• 99. پرسش و پاسخ نهایی
• 100. ارزیابی و بازخورد دوره