کتاب صوتی کتاب جامع تحلیل و پیشبینی سریهای زمانی: از مبانی تا مدلهای پیشرفته
دوره جامع تحلیل و پیشبینی سریهای زمانی: از مبانی تا مدلهای پیشرفته دوره جامع تحلیل و پیشبینی سریهای زمانی: از مبانی تا مدلهای پیشرفته معرفی دوره در دنیای امروز، دادهها پادشاهی میکنند. اما این ...
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره جامع تحلیل و پیشبینی سریهای زمانی: از مبانی تا مدلهای پیشرفته
موضوع کلی: علم داده (Data Science)
موضوع میانی: تحلیل سریهای زمانی و پیشبینی (Time Series Analysis and Forecasting)
📋 سرفصلهای دوره
- 1. مقدمهای بر علم داده و جایگاه تحلیل سریهای زمانی
- 2. سری زمانی چیست؟ مثالها و کاربردهای دنیای واقعی
- 3. اجزای یک سری زمانی: روند، فصلی بودن، چرخه و نویز
- 4. تجسم دادههای سری زمانی: نمودار زمانی و نمودارهای فصلی
- 5. مفهوم ایستایی (Stationarity) و اهمیت آن در تحلیل
- 6. فرآیندهای کاملاً تصادفی و نویز سفید (White Noise)
- 7. مدلهای مبتنی بر تجزیه (Decomposition Models): جمعی و ضربی
- 8. هموارسازی نمایی ساده (Simple Exponential Smoothing)
- 9. هموارسازی نمایی هولت (Holt's Linear Trend Method)
- 10. هموارسازی نمایی هولت-وینترز (Holt-Winters' Seasonal Method)
- 11. تابع خودهمبستگی (ACF): تعریف، محاسبه و تفسیر
- 12. تابع خودهمبستگی جزئی (PACF): تعریف، محاسبه و تفسیر
- 13. آزمونهای ایستایی: آزمون دیکی-فولر تعمیمیافته (ADF)
- 14. آزمون ایستایی KPSS
- 15. تبدیل دادهها برای رسیدن به ایستایی: تفاضلگیری (Differencing)
- 16. تبدیلهای پایدارکننده واریانس: لگاریتم و تبدیل باکس-کاکس
- 17. مقدمهای بر فرآیندهای خودرگرسیو (Autoregressive - AR)
- 18. ویژگیهای مدل AR(p) و شرط ایستایی
- 19. شناسایی مرتبه مدل AR با استفاده از PACF
- 20. مقدمهای بر فرآیندهای میانگین متحرک (Moving Average - MA)
- 21. ویژگیهای مدل MA(q) و شرط معکوسپذیری
- 22. شناسایی مرتبه مدل MA با استفاده از ACF
- 23. مدلهای ترکیبی خودرگرسیو میانگین متحرک (ARMA)
- 24. ویژگیهای مدل ARMA(p,q)
- 25. روششناسی باکس-جنکینز: یک نمای کلی
- 26. گام اول باکس-جنکینز: شناسایی مدل (Model Identification)
- 27. استفاده همزمان از ACF و PACF برای شناسایی مدل ARMA
- 28. گام دوم باکس-جنکینز: تخمین پارامترها
- 29. روشهای تخمین: گشتاورها، حداقل مربعات و حداکثر درستنمایی
- 30. گام سوم باکس-جنکینز: ارزیابی و تشخیص مدل (Diagnostic Checking)
- 31. تحلیل باقیماندهها: اطمینان از نویز سفید بودن خطاها
- 32. آزمونهای باقیماندهها: آزمون Ljung-Box
- 33. معیارهای اطلاعاتی برای انتخاب مدل: AIC و BIC
- 34. مدلهای غیرایستا: فرآیند گام تصادفی (Random Walk)
- 35. معرفی مدلهای ARIMA(p,d,q)
- 36. نقش پارامتر تفاضلگیری (d) در مدلهای ARIMA
- 37. شناسایی، تخمین و ارزیابی مدلهای ARIMA
- 38. مفهوم فصلی بودن در سریهای زمانی
- 39. تفاضلگیری فصلی برای حذف اثرات فصلی
- 40. مدلهای SARIMA برای دادههای دارای الگوی فصلی
- 41. شناسایی پارامترهای مدل SARIMA(p,d,q)(P,D,Q)s
- 42. مطالعه موردی: پیادهسازی کامل یک مدل SARIMA
- 43. مبانی پیشبینی در سریهای زمانی
- 44. پیشبینی یک-قدم-به-جلو (One-step-ahead Forecasting)
- 45. پیشبینی چند-قدم-به-جلو (Multi-step-ahead Forecasting)
- 46. محاسبه و تفسیر فواصل پیشبینی (Prediction Intervals)
- 47. بهروزرسانی پیشبینیها با دریافت دادههای جدید
- 48. معیارهای ارزیابی دقت پیشبینی: MAE, MSE, RMSE
- 49. معیارهای ارزیابی نسبی: MAPE و sMAPE
- 50. مقایسه مدلهای مختلف بر اساس دقت پیشبینی
- 51. مقدمهای بر تحلیل طیفی (Spectral Analysis)
- 52. تبدیل فوریه برای سریهای زمانی
- 53. پریودوگرام (Periodogram) و کاربرد آن در یافتن دورههای تناوب
- 54. تخمین چگالی طیفی (Spectral Density Estimation)
- 55. مقدمهای بر سریهای زمانی چندمتغیره (Multivariate Time Series)
- 56. مفهوم همبستگی متقابل (Cross-Correlation)
- 57. مدلهای بردار خودرگرسیو (Vector Autoregression - VAR)
- 58. شناسایی و تخمین مدلهای VAR
- 59. مفهوم همانباشتگی (Cointegration) و آزمون آن
- 60. مدلهای تصحیح خطای برداری (Vector Error Correction Models - VECM)
- 61. مدلهای تابع انتقال (Transfer Function Models)
- 62. تحلیل مداخله (Intervention Analysis)
- 63. تشخیص نقاط پرت (Outlier Detection) در سریهای زمانی
- 64. مقدمهای بر مدلهای فضای حالت (State-Space Models)
- 65. نمایش مدلهای ARIMA در قالب فضای حالت
- 66. معادلات حالت و معادلات مشاهده
- 67. فیلتر کالمن (Kalman Filter): الگوریتم و کاربردها
- 68. پیشبینی با استفاده از فیلتر کالمن
- 69. هموارسازی کالمن (Kalman Smoothing)
- 70. تخمین پارامترهای نامعلوم در مدلهای فضای حالت
- 71. مدل روند خطی محلی (Local Linear Trend Model)
- 72. مدل ساختاری پایه (Basic Structural Model)
- 73. مدلسازی نوسانات: ناهمسانی واریانس شرطی (Conditional Heteroskedasticity)
- 74. معرفی مدلهای ARCH
- 75. ویژگیها و محدودیتهای مدل ARCH
- 76. مدلهای GARCH و انواع آن (GARCH, EGARCH, GJR-GARCH)
- 77. تخمین و پیشبینی نوسانات با مدلهای GARCH
- 78. مقدمهای بر مدلهای غیرخطی سریهای زمانی
- 79. مدلهای رگرسیون انتقال هموار (Smooth Transition Regression - STR)
- 80. مدلهای خودرگرسیو آستانهای (Threshold Autoregressive - TAR)
- 81. یادگیری ماشین برای پیشبینی سریهای زمانی: یک دید کلی
- 82. مهندسی ویژگی برای دادههای سری زمانی
- 83. اعتبارسنجی متقابل (Cross-Validation) برای سریهای زمانی
- 84. استفاده از مدلهای رگرسیون خطی با ویژگیهای زمانی
- 85. استفاده از الگوریتمهای درختی (Random Forest, Gradient Boosting) برای پیشبینی
- 86. پیشبینی با استفاده از الگوریتم Prophet فیسبوک
- 87. مقدمهای بر شبکههای عصبی برای سریهای زمانی
- 88. شبکههای عصبی بازگشتی (Recurrent Neural Networks - RNN)
- 89. مشکل محوشدگی گرادیان در RNNs
- 90. شبکههای حافظه طولانی کوتاهمدت (Long Short-Term Memory - LSTM)
- 91. شبکههای واحدهای بازگشتی دروازهای (Gated Recurrent Units - GRU)
- 92. معماری Sequence-to-Sequence برای پیشبینی چند مرحلهای
- 93. مکانیسم توجه (Attention Mechanism) در مدلهای سری زمانی
- 94. معماری ترنسفورمر (Transformer) برای پیشبینی سریهای زمانی
- 95. پروژه عملی ۱: پیشبینی قیمت سهام با استفاده از ARIMA و GARCH
- 96. پروژه عملی ۲: تحلیل و پیشبینی دادههای فروش فصلی با SARIMA و Prophet
- 97. پروژه عملی ۳: پیشبینی مصرف انرژی با استفاده از مدلهای LSTM
- 98. پروژه عملی ۴: تحلیل سری زمانی چندمتغیره با مدل VAR
- 99. مقایسه عملکرد مدلهای کلاسیک و مدلهای یادگیری عمیق
- 100. چالشهای عملی در پروژههای سری زمانی
برای آموختن، همیشه لازم نیست بخوانید
گاهی بهترین فرصت یادگیری زمانی است که در مسیر رفتوآمد هستید، قدم میزنید، استراحت میکنید یا کارهای روزمرهتان را انجام میدهید. محتوای صوتی کمک میکند از این لحظهها برای شنیدن، اندیشیدن و آشنایی با موضوعات تازه بهره ببرید.
◷
یادگیری در دل روزمرگی
از زمان رفتوآمد، پیادهروی یا استراحت برای شنیدن محتوای مفید استفاده کنید؛ بدون آنکه همیشه به کتاب چاپی یا صفحه نمایش نیاز داشته باشید.
◎
تجربهای شنیداری و دلنشین
با روایت صوتی، توضیحات گفتاری و فضای شنیداری هر محتوا همراه شوید و متناسب با سلیقه خود، شیوه تازهای برای دریافت مطالب تجربه کنید.
✦
گسترش دانش و دیدگاه
با موضوعات متنوع آشنا شوید، ایدههای تازه کشف کنید و فرصت بیشتری برای یادگیری مستمر و پرورش کنجکاوی خود بسازید.
♫
همراه با سبک زندگی شما
محتوای صوتی را متناسب با برنامه روزانه خود انتخاب کنید و در زمان مناسب، شنیدن را به بخشی از عادتهای شخصیتان تبدیل کنید.
کتاب صوتی یا پادکست؟
کتاب صوتی
راهی برای همراه شدن با محتوای یک کتاب از طریق شنیدن. بسته به اثر، میتوانید داستانها، آموزشها، مفاهیم تخصصی یا مطالب کاربردی را در قالب روایت و بیان صوتی دنبال کنید.
مناسب برای شنیدن و مرور محتوای کتابها
پادکست آموزشی
فرصتی برای دنبال کردن موضوعات مشخص در قالب گفتوگو، روایت، توضیح آموزشی یا مجموعهای از قسمتهای صوتی؛ مناسب برای کشف ایدهها و آشنایی با دیدگاههای گوناگون.
مناسب برای یادگیری موضوعی و شنیدن دیدگاههای تازه
هر جا که هستید، شنیدن را آغاز کنید
با دستگاه مناسب خود، محتوای صوتی را به آسانی دنبال کنید.
▯
گوشی هوشمند
اندروید و آیفون
▣
تبلت
برای شنیدن و دنبال کردن محتوا
▤
رایانه و لپتاپ
با پخشکننده صوتی سازگار
♫
هدفون و بلندگو
برای شنیدن متناسب با محیط
چطور از تجربه شنیدن بیشتر بهره ببریم؟
✦ زمان مناسبی برای شنیدن انتخاب کنید؛ زمانی که بتوانید با آرامش به محتوا توجه داشته باشید.
✦ برای مطالب آموزشی، نکتههای مهم را یادداشت کنید یا پس از پایان شنیدن، آنها را مرور کنید.
✦ اگر محتوا طولانی است، آن را در چند نوبت دنبال کنید تا فرصت بیشتری برای درک و مرور داشته باشید.
✦ هنگام رانندگی یا انجام کارهای نیازمند تمرکز، ایمنی را در اولویت قرار دهید و از شیوه شنیدنی استفاده کنید که حواس شما را مختل نکند.
هر شنیدن، فرصتی برای کشف است
با کتابهای صوتی و پادکستهای آموزشی، دنیای تازهای از ایدهها، روایتها و آموختنیها را به لحظههای خود اضافه کنید.
express24.ir
امکانات پخش، ادامه شنیدن و دسترسی آفلاین به نوع فایل، دستگاه و نرمافزار مورد استفاده بستگی دارد.
تگها:
Data Mining
Data Science
Introduction to Time Series and Forecasting
Machine Learning
Statistics
Time Series Analysis
Time Series Forecasting
Time Series Modeling
آماری
پیشبینی سری زمانی
تحلیل سری زمانی
داده کاوی
دوره سری زمانی
علم داده
مدلسازی سری زمانی
یادگیری ماشین
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.