فلش‌کارت‌های آموزشی تحلیل سری‌های زمانی در مطالعات متابولومیک

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل سری‌های زمانی در مطالعات متابولومیک

موضوع کلی: علوم زیستی

موضوع میانی: تحلیل داده‌های زیستی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر متابولومیک و سری‌های زمانی
• 2. اهمیت تحلیل سری‌های زمانی در متابولومیک
• 3. مفاهیم پایه‌ای سری‌های زمانی: روند، فصلی بودن، نویز
• 4. انواع داده‌های سری زمانی در مطالعات متابولومیک
• 5. پیش‌پردازش داده‌های سری زمانی: پاکسازی داده‌ها
• 6. بررسی و شناسایی مقادیر پرت (Outliers)
• 7. تکنیک‌های نرمال‌سازی داده‌های سری زمانی
• 8. تکمیل داده‌های گمشده در سری‌های زمانی
• 9. تحلیل اکتشافی داده‌های سری زمانی: نمودارهای سری زمانی
• 10. تحلیل خودهمبستگی (Autocorrelation) و خودهمبستگی جزئی (Partial Autocorrelation)
• 11. آزمون‌های ایستایی (Stationarity Tests)
• 12. تبدیل داده‌های غیرایستا به ایستا
• 13. مدل‌های ARIMA: مفاهیم و پارامترها
• 14. انتخاب مرتبه مدل ARIMA (ACF و PACF)
• 15. برآورد پارامترهای مدل ARIMA
• 16. ارزیابی مدل ARIMA: معیارهای ارزیابی
• 17. پیش‌بینی با مدل ARIMA
• 18. مدل‌های SARIMA: در نظر گرفتن فصلی بودن
• 19. انتخاب مرتبه مدل SARIMA
• 20. برآورد پارامترهای مدل SARIMA
• 21. ارزیابی مدل SARIMA
• 22. پیش‌بینی با مدل SARIMA
• 23. مدل‌های GARCH: مدل‌سازی نوسانات در سری‌های زمانی متابولومیک
• 24. آزمون‌های بررسی هتروسکداستی (Heteroscedasticity)
• 25. برآورد پارامترهای مدل GARCH
• 26. ارزیابی مدل GARCH
• 27. پیش‌بینی با مدل GARCH
• 28. مدل‌های فضای حالت (State Space Models)
• 29. فیلتر کالمن (Kalman Filter)
• 30. هموارسازی (Smoothing)
• 31. تحلیل طیفی (Spectral Analysis)
• 32. تبدیل فوریه (Fourier Transform)
• 33. طیف‌نگاشت (Spectrogram)
• 34. تحلیل موجک (Wavelet Analysis)
• 35. استفاده از تحلیل موجک برای حذف نویز
• 36. روش‌های یادگیری ماشین برای تحلیل سری‌های زمانی: رگرسیون خطی
• 37. روش‌های یادگیری ماشین: ماشین‌های بردار پشتیبان (SVM)
• 38. روش‌های یادگیری ماشین: شبکه‌های عصبی (Neural Networks)
• 39. شبکه‌های عصبی بازگشتی (RNN) و LSTM
• 40. تحلیل سری‌های زمانی چندمتغیره
• 41. مدل‌سازی برداری خودرگرسیو (VAR)
• 42. تحلیل هم‌جمعی (Cointegration)
• 43. مدل‌های انتقال حالت پنهان (Hidden Markov Models)
• 44. کاربرد تحلیل سری‌های زمانی در شناسایی بیومارکرها
• 45. تحلیل سری‌های زمانی در مطالعات دارویی
• 46. تحلیل سری‌های زمانی در مطالعات تغذیه‌ای
• 47. تحلیل سری‌های زمانی در مطالعات بیماری‌های متابولیک
• 48. تحلیل سری‌های زمانی در تشخیص زودهنگام بیماری‌ها
• 49. تحلیل سری‌های زمانی در پاسخ به درمان
• 50. تحلیل سری‌های زمانی و شخصی‌سازی درمان
• 51. ارائه نتایج تحلیل سری‌های زمانی و تفسیر آن‌ها
• 52. نرم‌افزارهای تحلیل سری‌های زمانی: R، Python، MATLAB