کتاب صوتی تحلیل سری‌های زمانی و پیش‌بینی با R: پروژه‌محور با مدل‌های ARIMA

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل سری‌های زمانی و پیش‌بینی با R: پروژه‌محور با مدل‌های ARIMA

موضوع کلی: علم داده

موضوع میانی: تحلیل و پیش‌بینی سری‌های زمانی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر سری‌های زمانی و علم داده
• 2. مفاهیم پایه سری‌های زمانی: روند، فصلی بودن، نویز
• 3. نرم‌افزار R برای تحلیل سری‌های زمانی: نصب و آشنایی با بسته‌ها
• 4. خواندن و آماده‌سازی داده‌های سری زمانی در R
• 5. مصورسازی داده‌های سری زمانی: نمودارها و ابزارهای اکتشافی
• 6. مفاهیم آماری پایه‌ای: میانگین، واریانس، اتوکورلاسیون
• 7. تخمین اتوکورلاسیون و توابع اتوکورلاسیون جزئی (ACF & PACF)
• 8. آزمون‌های ایستایی: بررسی ایستایی سری‌های زمانی
• 9. تبدیل داده‌ها برای ایستایی: لگاریتم، تفاضل‌گیری
• 10. روش‌های تفاضل‌گیری: مرتبه اول، مرتبه دوم، فصلی
• 11. مدل‌های میانگین متحرک (MA): مفاهیم و کاربردها
• 12. مدل‌های خودرگرسیونی (AR): مفاهیم و کاربردها
• 13. مدل‌های خودرگرسیونی میانگین متحرک (ARMA): ترکیب AR و MA
• 14. شناسایی مدل‌های ARMA با استفاده از ACF و PACF
• 15. برآورد پارامترهای مدل‌های ARMA: روش‌های مختلف
• 16. تشخیص مدل‌های ARMA: بررسی باقیمانده‌ها و آزمون‌های آماری
• 17. پیش‌بینی با مدل‌های ARMA: محاسبه و ارزیابی پیش‌بینی‌ها
• 18. مدل‌های خودرگرسیونی جمعی میانگین متحرک (ARIMA): معرفی و کاربرد
• 19. انتخاب مرتبه (p, d, q) در مدل‌های ARIMA: روش‌های خودکار
• 20. مدل‌های ARIMA فصلی (SARIMA): مدیریت داده‌های فصلی
• 21. شناسایی و برآورد مدل‌های SARIMA: گام به گام
• 22. پیش‌بینی با مدل‌های SARIMA: ارزیابی و بهینه‌سازی
• 23. معرفی مدل‌های نمایی: هموارسازی نمایی ساده
• 24. هموارسازی نمایی دوگانه: مدیریت روند در داده‌ها
• 25. هموارسازی نمایی سه گانه (Holt-Winters): مدیریت فصلی بودن و روند
• 26. انتخاب روش هموارسازی نمایی مناسب: راهنمایی‌ها و معیارها
• 27. مدل‌های فضا-حالت (State Space Models): مقدمه و مفاهیم
• 28. مدل‌های فضا-حالت و هموارسازی نمایی: ارتباط و کاربرد
• 29. مدل‌های فضا-حالت و ARIMA: مقایسه و انتخاب
• 30. مدل‌های GARCH: مدیریت ناهمسانی واریانس در سری‌های زمانی
• 31. مدل‌های GARCH: کاربردها در داده‌های مالی
• 32. پیش‌بینی بازده سهام با مدل‌های GARCH
• 33. مدل‌های VAR (برداری خودرگرسیونی): تحلیل سری‌های زمانی چند متغیره
• 34. شناسایی روابط علی در سری‌های زمانی با استفاده از VAR
• 35. تخمین و پیش‌بینی با مدل‌های VAR: گام به گام
• 36. آزمون علیت گرنجر: تشخیص روابط علی بین متغیرها
• 37. تحلیل پاسخ ضربه‌ای (Impulse Response Analysis) در VAR
• 38. تجزیه واریانس (Variance Decomposition) در VAR
• 39. مدل‌های فضا-حالت چند متغیره: کاربردها و مزایا
• 40. فیلتر کالمن: تخمین و پیش‌بینی در مدل‌های فضا-حالت
• 41. مدل‌های شبکه‌های عصبی برای سری‌های زمانی: مقدمه
• 42. شبکه‌های عصبی پیشخور (Feedforward Neural Networks) برای پیش‌بینی
• 43. شبکه‌های عصبی بازگشتی (Recurrent Neural Networks) برای سری‌های زمانی
• 44. شبکه‌های LSTM (Long Short-Term Memory) برای سری‌های زمانی
• 45. آماده‌سازی داده‌ها برای شبکه‌های عصبی: مقیاس‌بندی و نرمال‌سازی
• 46. ساخت و آموزش شبکه‌های عصبی برای پیش‌بینی سری زمانی در R
• 47. ارزیابی و بهینه‌سازی شبکه‌های عصبی: جلوگیری از بیش‌برازش
• 48. ترکیب مدل‌ها (Model Averaging): روش‌های بهبود دقت پیش‌بینی
• 49. ترکیب مدل‌های ARIMA و شبکه‌های عصبی
• 50. استفاده از Ensemble Learning برای پیش‌بینی سری زمانی
• 51. مقایسه روش‌های مختلف پیش‌بینی سری زمانی: مزایا و معایب
• 52. انتخاب بهترین روش پیش‌بینی برای داده‌های خاص
• 53. معرفی بسته `forecast` در R: ابزارها و توابع
• 54. آشنایی با بسته `ts` در R: کلاس `ts` و توابع مرتبط
• 55. بسته `tseries` در R: توابع آماری برای سری‌های زمانی
• 56. تحلیل سری‌های زمانی با داده‌های از دست رفته (Missing Data)
• 57. روش‌های جایگزینی داده‌های از دست رفته در سری‌های زمانی
• 58. تحلیل سری‌های زمانی نامنظم (Irregular Time Series)
• 59. تحلیل سری‌های زمانی رویدادمحور (Event-Based Time Series)
• 60. تحلیل سری‌های زمانی با داده‌های پرت (Outliers)
• 61. روش‌های شناسایی و مدیریت داده‌های پرت در سری‌های زمانی
• 62. تحلیل سری‌های زمانی با داده‌های فصلی متغیر (Changing Seasonality)
• 63. مدل‌سازی سری‌های زمانی با تغییرات ساختاری (Structural Breaks)
• 64. تحلیل سری‌های زمانی بلندمدت (Long-Term Time Series)
• 65. پیش‌بینی سری‌های زمانی با افق پیش‌بینی بلند (Long Horizon)
• 66. تحلیل سری‌های زمانی مالی: مقدمه و کاربردها
• 67. پیش‌بینی قیمت سهام با استفاده از سری‌های زمانی
• 68. مدیریت ریسک با استفاده از مدل‌های سری‌های زمانی
• 69. تحلیل سری‌های زمانی در بازاریابی: پیش‌بینی فروش و تقاضا
• 70. تحلیل سری‌های زمانی در هواشناسی: پیش‌بینی آب و هوا
• 71. تحلیل سری‌های زمانی در بهداشت و درمان: پیش‌بینی شیوع بیماری‌ها
• 72. تحلیل سری‌های زمانی در انرژی: پیش‌بینی مصرف برق
• 73. تحلیل سری‌های زمانی در ترافیک: پیش‌بینی حجم ترافیک
• 74. تحلیل سری‌های زمانی در اینترنت اشیا (IoT): کاربردها و چالش‌ها
• 75. استفاده از سری‌های زمانی برای تشخیص ناهنجاری (Anomaly Detection)
• 76. کاربرد یادگیری ماشین بدون نظارت (Unsupervised Learning) در سری‌های زمانی
• 77. تحلیل سری‌های زمانی در علوم اجتماعی: روندها و الگوها
• 78. تحلیل سری‌های زمانی با استفاده از داده‌های ماهواره‌ای
• 79. تحلیل سری‌های زمانی با داده‌های متنی (Text Data)
• 80. ترکیب سری‌های زمانی با سایر انواع داده
• 81. ایجاد یک داشبورد تعاملی برای نمایش نتایج تحلیل سری‌های زمانی
• 82. گزارش‌نویسی و مستندسازی پروژه‌های تحلیل سری‌های زمانی
• 83. بهینه‌سازی کد R برای تحلیل سری‌های زمانی: سرعت و کارایی
• 84. استفاده از Git برای مدیریت نسخه پروژه‌های سری‌های زمانی
• 85. استقرار مدل‌های پیش‌بینی سری زمانی در محیط عملیاتی
• 86. اخلاق و ملاحظات اخلاقی در تحلیل و پیش‌بینی سری‌های زمانی
• 87. منابع پیشرفته برای یادگیری بیشتر درباره تحلیل سری‌های زمانی
• 88. پروژه عملی: پیش‌بینی قیمت مسکن با استفاده از سری‌های زمانی
• 89. پروژه عملی: تحلیل و پیش‌بینی ترافیک یک وبسایت
• 90. پروژه عملی: پیش‌بینی فروش یک محصول خاص
• 91. پروژه عملی: تحلیل داده‌های آب و هوایی یک منطقه
• 92. پروژه عملی: پیش‌بینی مصرف انرژی یک شهر
• 93. پروژه عملی: تحلیل سری زمانی داده‌های بورس
• 94. پروژه عملی: پیش‌بینی شاخص آلودگی هوا
• 95. پروژه عملی: تشخیص تقلب در تراکنش‌های مالی
• 96. مرور و جمع‌بندی دوره: نکات کلیدی و مسیرهای یادگیری آتی
• 97. پرسش و پاسخ و رفع اشکال
• 98. منابع و مراجع تکمیلی