کتاب صوتی تحلیل سری‌های زمانی با زبان Julia: از مبانی تا کاربردها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل سری‌های زمانی با زبان Julia: از مبانی تا کاربردها

موضوع کلی: تحلیل داده و آمار

موضوع میانی: مدل‌سازی سری‌های زمانی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر سری‌های زمانی و کاربردهای آن
• 2. مفاهیم پایه آمار و احتمال برای تحلیل سری‌های زمانی
• 3. آشنایی با زبان برنامه‌نویسی Julia و محیط توسعه آن
• 4. نصب و پیکربندی Julia و بسته‌های مورد نیاز
• 5. وارد کردن و پاکسازی داده‌های سری زمانی
• 6. مصورسازی سری‌های زمانی: نمودارهای خطی، هیستوگرام و نمودارهای پراکندگی
• 7. تجزیه سری‌های زمانی به اجزای روند، فصلی و تصادفی
• 8. روش‌های کلاسیک تجزیه سری‌های زمانی
• 9. مدل‌های میانگین متحرک (Moving Average)
• 10. مدل‌های نمایی هموار (Exponential Smoothing)
• 11. انتخاب پارامترهای بهینه برای مدل‌های میانگین متحرک و نمایی هموار
• 12. پیش‌بینی با استفاده از مدل‌های میانگین متحرک و نمایی هموار
• 13. ارزیابی دقت پیش‌بینی‌ها: معیارهای خطا (MSE، RMSE، MAE)
• 14. مفهوم خودهمبستگی و خودهمبستگی جزئی
• 15. توابع خودهمبستگی (ACF) و خودهمبستگی جزئی (PACF)
• 16. مدل‌های خودرگرسیونی (AR)
• 17. مدل‌های میانگین متحرک (MA)
• 18. مدل‌های خودرگرسیونی میانگین متحرک (ARMA)
• 19. شناسایی مرتبه مدل‌های ARMA با استفاده از ACF و PACF
• 20. تخمین پارامترهای مدل‌های ARMA
• 21. آزمون برازش مدل ARMA
• 22. پیش‌بینی با استفاده از مدل‌های ARMA
• 23. مدل‌های خودرگرسیونی یکپارچه میانگین متحرک (ARIMA)
• 24. تبدیل سری‌های زمانی غیرایستا به ایستا
• 25. تخمین پارامترهای مدل‌های ARIMA
• 26. آزمون برازش مدل ARIMA
• 27. پیش‌بینی با استفاده از مدل‌های ARIMA
• 28. مدل‌های فصلی ARIMA (SARIMA)
• 29. شناسایی مرتبه مدل‌های SARIMA
• 30. تخمین پارامترهای مدل‌های SARIMA
• 31. پیش‌بینی با استفاده از مدل‌های SARIMA
• 32. مدل‌های GARCH برای مدل‌سازی ناهمسانی واریانس
• 33. آزمون‌های ایستایی برای سری‌های زمانی
• 34. آزمون دیکی-فولر تعمیم‌یافته (ADF)
• 35. آزمون فیلیپس-پرون (PP)
• 36. آزمون KPSS
• 37. مدل‌سازی سری‌های زمانی با داده‌های از دست رفته
• 38. روش‌های جایگزینی داده‌های از دست رفته
• 39. مدل‌سازی سری‌های زمانی چندمتغیره
• 40. مدل‌سازی وکتور خودرگرسیونی (VAR)
• 41. پیش‌بینی با استفاده از مدل‌های VAR
• 42. تحلیل هم‌جمعی (Cointegration)
• 43. مدل تصحیح خطا (ECM)
• 44. بررسی بقایای مدل (Residual Analysis)
• 45. کاربرد سری‌های زمانی در پیش‌بینی اقتصادی
• 46. کاربرد سری‌های زمانی در پیش‌بینی مالی
• 47. کاربرد سری‌های زمانی در تحلیل آب و هوا
• 48. کاربرد سری‌های زمانی در تحلیل ترافیک
• 49. استفاده از Julia برای تحلیل سری‌های زمانی بزرگ
• 50. بهینه‌سازی کد Julia برای تحلیل سری‌های زمانی
• 51. آشنایی با کتابخانه‌های Julia برای تحلیل سری‌های زمانی پیشرفته
• 52. مدل‌سازی سری‌های زمانی با استفاده از شبکه‌های عصبی
• 53. مقدمه‌ای بر یادگیری ماشین و سری‌های زمانی
• 54. شبکه‌های عصبی بازگشتی (RNN) برای سری‌های زمانی
• 55. شبکه‌های LSTM برای سری‌های زمانی
• 56. شبکه‌های GRU برای سری‌های زمانی
• 57. ارزیابی و تنظیم مدل‌های یادگیری ماشین برای سری‌های زمانی
• 58. کاربرد مدل‌های یادگیری ماشین در پیش‌بینی سری‌های زمانی
• 59. مدل‌سازی سری‌های زمانی با استفاده از روش‌های بیزین
• 60. مقدمه‌ای بر روش‌های بیزین
• 61. مدل‌سازی بیزین برای سری‌های زمانی
• 62. تخمین پارامترهای مدل‌های بیزین
• 63. پیش‌بینی با استفاده از مدل‌های بیزین
• 64. مباحث پیشرفته در تحلیل سری‌های زمانی