کتاب صوتی مقدمه‌ای بر محاسبات در مدل‌سازی پیش‌بینی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر محاسبات در مدل‌سازی پیش‌بینی

موضوع کلی: برنامه نویسی

موضوع میانی: محاسبات سطح بالا (High-Performance Computing)

📋 سرفصل‌های دوره

• 1. مبانی ریاضیات برای مدل‌سازی پیش‌بینی
• 2. مفاهیم اولیه آمار توصیفی
• 3. نمودارهای توصیفی و تفسیر آن‌ها
• 4. مقدمه‌ای بر توزیع‌های احتمال
• 5. توزیع‌های گسسته پرتکرار
• 6. توزیع‌های پیوسته پرتکرار
• 7. مفهوم و کاربرد امید ریاضی و واریانس
• 8. قضایای حد مرکزی و اهمیت آن
• 9. مقدمه‌ای بر استنباط آماری
• 10. برآوردگرهای نقطه‌ای و فاصله‌ای
• 11. آزمون فرض آماری: اصول و روش‌ها
• 12. آزمون فرضیه برای میانگین یک جامعه
• 13. آزمون فرضیه برای نسبت یک جامعه
• 14. آزمون فرضیه برای واریانس یک جامعه
• 15. آزمون t و کاربردهای آن
• 16. تحلیل واریانس یک‌طرفه (ANOVA)
• 17. تحلیل واریانس دوطرفه
• 18. مقدمه‌ای بر رگرسیون خطی ساده
• 19. برآورد پارامترها در رگرسیون خطی
• 20. آزمون فرض در رگرسیون خطی
• 21. فاصله‌های اطمینان در رگرسیون خطی
• 22. پیش‌بینی و تفسیر نتایج رگرسیون ساده
• 23. مقدمه‌ای بر رگرسیون خطی چندگانه
• 24. انتخاب متغیر در رگرسیون چندگانه
• 25. ارزیابی مدل رگرسیون چندگانه
• 26. مفاهیم هم‌خطی (Multicollinearity)
• 27. آزمون فرض برای ضرایب رگرسیون چندگانه
• 28. پیش‌بینی در مدل رگرسیون چندگانه
• 29. مدل‌های خطی تعمیم‌یافته (GLM)
• 30. رگرسیون لجستیک برای داده‌های دودویی
• 31. رگرسیون پواسون برای داده‌های شمارشی
• 32. مقدمه‌ای بر سری‌های زمانی
• 33. تحلیل مؤلفه‌های اصلی (PCA)
• 34. تحلیل عامل (Factor Analysis)
• 35. مقدمه‌ای بر مدل‌سازی پیش‌بینی
• 36. انواع مدل‌های پیش‌بینی
• 37. ارزیابی عملکرد مدل‌های پیش‌بینی
• 38. معیارهای ارزیابی مدل: MSE, RMSE, MAE
• 39. معیارهای ارزیابی مدل: R-squared
• 40. اعتبارسنجی متقابل (Cross-validation)
• 41. اعتبارسنجی K-Fold
• 42. نکات کلیدی در انتخاب مدل
• 43. مدل‌های سری زمانی: مفاهیم پایه
• 44. ایستایی (Stationarity) در سری‌های زمانی
• 45. خودهمبستگی (Autocorrelation) و خودهمبستگی جزئی (PACF)
• 46. مدل‌های ARIMA
• 47. پارامترهای مدل ARIMA (p, d, q)
• 48. برآورد و شناسایی مدل ARIMA
• 49. پیش‌بینی با مدل‌های ARIMA
• 50. مقدمه‌ای بر مدل‌های پیش‌بینی غیرخطی
• 51. شبکه‌های عصبی مصنوعی (ANN)
• 52. معماری شبکه‌های عصبی
• 53. آموزش شبکه‌های عصبی
• 54. شبکه‌های عصبی بازگشتی (RNN)
• 55. شبکه‌های حافظه طولانی کوتاه مدت (LSTM)
• 56. شبکه‌های حافظه کوتاه‌مدت (GRU)
• 57. کاربرد شبکه‌های عصبی در پیش‌بینی
• 58. مقدمه‌ای بر درختان تصمیم
• 59. الگوریتم‌های درخت تصمیم (ID3, C4.5, CART)
• 60. تقسیم‌بندی داده‌ها در درختان تصمیم
• 61. قیود و هرس درختان تصمیم
• 62. مقدمه‌ای بر جنگل‌های تصادفی (Random Forests)
• 63. نحوه ساخت و عملکرد جنگل‌های تصادفی
• 64. ارزیابی مدل جنگل تصادفی
• 65. مقدمه‌ای بر تقویت گرادیان (Gradient Boosting)
• 66. الگوریتم‌های Boosting (AdaBoost, XGBoost)
• 67. تنظیم پارامترها در مدل‌های Boosting
• 68. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 69. کاربرد SVM در رگرسیون و طبقه‌بندی
• 70. انتخاب هسته (Kernel) در SVM
• 71. مقدمه‌ای بر مدل‌های سری زمانی پیشرفته
• 72. مدل‌های پیش‌بینی سری زمانی مبتنی بر یادگیری عمیق
• 73. مدل‌های پیش‌بینی با داده‌های پانل
• 74. مقدمه‌ای بر بهینه‌سازی در مدل‌سازی
• 75. الگوریتم‌های بهینه‌سازی گسسته
• 76. الگوریتم‌های بهینه‌سازی پیوسته
• 77. کاربرد بهینه‌سازی در انتخاب پارامتر مدل
• 78. مقدمه‌ای بر مدل‌سازی اقتصادی مبتنی بر داده
• 79. مدل‌های اقتصادی سری زمانی (VAR, VECM)
• 80. مدل‌های اقتصادسنجی برای پیش‌بینی
• 81. مقدمه‌ای بر مدل‌سازی مالی
• 82. مدل‌های پیش‌بینی بازده دارایی
• 83. مدل‌های پیش‌بینی نوسانات (Volatility)
• 84. مقدمه‌ای بر مدل‌سازی ریسک
• 85. مدل‌سازی ارزش در معرض ریسک (VaR)
• 86. مدل‌سازی ریسک اعتباری
• 87. مقدمه‌ای بر مدل‌سازی عملیاتی
• 88. مدل‌سازی تقاضا و پیش‌بینی فروش
• 89. مدل‌سازی موجودی و مدیریت زنجیره تأمین
• 90. مقدمه‌ای بر مدل‌سازی داده‌های مکانی-زمانی
• 91. کاربرد مدل‌سازی پیش‌بینی در علوم زیستی
• 92. مدل‌سازی پیش‌بینی در حوزه‌های مهندسی
• 93. مقدمه‌ای بر اخلاق در مدل‌سازی پیش‌بینی
• 94. حریم خصوصی و امنیت داده‌ها
• 95. مسئولیت‌پذیری در مدل‌سازی پیش‌بینی
• 96. مقدمه‌ای بر ابزارهای نرم‌افزاری مدل‌سازی
• 97. کاربرد Python در مدل‌سازی پیش‌بینی
• 98. کاربرد R در مدل‌سازی پیش‌بینی
• 99. مقدمه‌ای بر پروژه‌های عملی مدل‌سازی پیش‌بینی
• 100. مطالعات موردی موفق در مدل‌سازی پیش‌بینی