فلش‌کارت‌های آموزشی پیش بینی نرخ بهره با شبکه‌های عصبی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیش بینی نرخ بهره با شبکه‌های عصبی

موضوع کلی: علوم داده در امور مالی

موضوع میانی: تحلیل و پیش‌بینی نرخ بهره

📋 سرفصل‌های دوره

• 1. مبانی پیش‌بینی و مدل‌سازی سری‌های زمانی
• 2. آشنایی با داده‌های مالی و نرخ بهره
• 3. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 4. معماری‌های پایه شبکه‌های عصبی
• 5. شبکه‌های عصبی پیش‌خور (Feedforward Neural Networks)
• 6. بهینه‌سازی شبکه‌های عصبی با الگوریتم گرادیان کاهشی
• 7. انتخاب تابع فعال‌سازی مناسب برای پیش‌بینی نرخ بهره
• 8. آماده‌سازی داده‌ها برای آموزش شبکه‌های عصبی
• 9. نرمال‌سازی و استانداردسازی داده‌های مالی
• 10. مهندسی ویژگی (Feature Engineering) در پیش‌بینی نرخ بهره
• 11. انتخاب ویژگی‌های مهم در مدل‌های پیش‌بینی
• 12. شبکه‌های عصبی بازگشتی (Recurrent Neural Networks)
• 13. شبکه‌های حافظه بلندمدت (Long Short-Term Memory)
• 14. شبکه‌های گیت‌های بازگشتی (Gated Recurrent Units)
• 15. استفاده از RNN و LSTM برای پیش‌بینی سری‌های زمانی
• 16. پیش‌بینی نرخ بهره با استفاده از داده‌های تاریخی
• 17. ارزیابی عملکرد مدل‌های پیش‌بینی
• 18. معیارهای ارزیابی مدل‌های پیش‌بینی (MAE, MSE, RMSE)
• 19. بیش‌برازش (Overfitting) و کم‌برازش (Underfitting) در مدل‌های پیش‌بینی
• 20. تنظیم هایپرپارامترها (Hyperparameter Tuning)
• 21. روش‌های اعتبارسنجی متقابل (Cross-Validation)
• 22. شبکه‌های عصبی پیچشی (Convolutional Neural Networks) در سری‌های زمانی
• 23. استفاده از CNN برای استخراج ویژگی از داده‌های مالی
• 24. مدل‌های ترکیبی (Ensemble Models) برای پیش‌بینی نرخ بهره
• 25. ترکیب مدل‌های مختلف برای بهبود دقت پیش‌بینی
• 26. شبکه‌های عصبی عمیق (Deep Neural Networks)
• 27. استفاده از شبکه‌های عمیق برای مدل‌سازی پیچیدگی‌های نرخ بهره
• 28. تکنیک‌های منظم‌سازی (Regularization) برای جلوگیری از بیش‌برازش
• 29. روش‌های کاهش ابعاد (Dimensionality Reduction)
• 30. تحلیل حساسیت (Sensitivity Analysis) در پیش‌بینی نرخ بهره
• 31. پیش‌بینی نرخ بهره با استفاده از داده‌های اقتصاد کلان
• 32. تاثیر متغیرهای اقتصاد کلان بر نرخ بهره
• 33. پیش‌بینی نرخ بهره با استفاده از داده‌های بازار سرمایه
• 34. تاثیر شاخص‌های بازار سرمایه بر نرخ بهره
• 35. مدل‌های پیش‌بینی نرخ بهره در بازه‌های زمانی مختلف
• 36. پیش‌بینی نرخ بهره کوتاه‌مدت، میان‌مدت و بلندمدت
• 37. استفاده از داده‌های نامتعادل (Imbalanced Data) در پیش‌بینی
• 38. روش‌های مقابله با داده‌های نامتعادل در مدل‌های پیش‌بینی
• 39. پیش‌بینی نرخ بهره با استفاده از داده‌های با فرکانس بالا
• 40. استفاده از داده‌های روزانه و ساعتی برای پیش‌بینی
• 41. تفسیرپذیری مدل‌های پیش‌بینی (Model Interpretability)
• 42. روش‌های توضیح‌دهی مدل‌های شبکه‌های عصبی
• 43. استفاده از تکنیک‌های یادگیری انتقالی (Transfer Learning)
• 44. بهینه‌سازی مدل‌های پیش‌بینی با استفاده از الگوریتم‌های تکاملی
• 45. مدل‌سازی ریسک در پیش‌بینی نرخ بهره