کتاب صوتی پیش‌بینی با داده‌های طولی: فراتر از مقطع

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیش‌بینی با داده‌های طولی: فراتر از مقطع

موضوع کلی: آمار و مدل‌سازی داده‌های طولی

موضوع میانی: متغیرهای زمانی-متغیر

📋 سرفصل‌های دوره

• 1. مدل‌های سری زمانی و پیش‌بینی
• 2. مقدمه‌ای بر داده‌های طولی
• 3. انواع داده‌های طولی و ویژگی‌های آن‌ها
• 4. آماده‌سازی داده‌های طولی برای مدل‌سازی
• 5. بررسی و تحلیل داده‌های از دست رفته
• 6. روش‌های جایگزینی داده‌های از دست رفته
• 7. همبستگی و وابستگی در داده‌های طولی
• 8. مقدمه‌ای بر رگرسیون خطی برای داده‌های طولی
• 9. رگرسیون خطی ساده و چندگانه در داده‌های طولی
• 10. آزمون فرضیه‌ها در رگرسیون داده‌های طولی
• 11. مدل‌سازی اثرات متغیرهای دسته‌بندی
• 12. رگرسیون لجستیک برای داده‌های طولی
• 13. تحلیل واریانس در داده‌های طولی
• 14. مدل‌های خطی تعمیم‌یافته (GLM)
• 15. مدل‌های خطی تعمیم‌یافته برای داده‌های طولی
• 16. مقدمه‌ای بر مدل‌های اثرات مخلوط
• 17. مؤلفه‌های اثرات ثابت و تصادفی
• 18. تفسیر نتایج مدل‌های اثرات مخلوط
• 19. بررسی و تحلیل باقی‌ماندها
• 20. مدل‌سازی اثرات فردی در داده‌های طولی
• 21. مدل‌سازی اثرات زمانی در داده‌های طولی
• 22. بررسی روابط غیرخطی
• 23. تبدیل داده‌ها برای خطی‌سازی روابط
• 24. مدل‌سازی با استفاده از توابع چند جمله‌ای
• 25. مقدمه‌ای بر مدل‌های ARIMA
• 26. مدل‌های خودرگرسیونی (AR)
• 27. مدل‌های میانگین متحرک (MA)
• 28. مدل‌های خودرگرسیونی میانگین متحرک (ARMA)
• 29. مدل‌های خودرگرسیونی انتگرال میانگین متحرک (ARIMA)
• 30. انتخاب مرتبه مدل ARIMA
• 31. پیش‌بینی با مدل‌های ARIMA
• 32. مدل‌سازی فصلی با ARIMA
• 33. بررسی و تحلیل خطاهای پیش‌بینی
• 34. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 35. شبکه‌های حافظه بلندمدت (LSTM)
• 36. شبکه‌های عصبی دروازه‌ای بازگشتی (GRU)
• 37. استفاده از LSTM برای پیش‌بینی داده‌های طولی
• 38. مقایسه مدل‌های مختلف پیش‌بینی
• 39. ارزیابی عملکرد مدل‌ها
• 40. انتخاب بهترین مدل پیش‌بینی
• 41. اعتبارسنجی مدل و تست
• 42. پیش‌بینی با استفاده از مدل نهایی
• 43. تفسیر نتایج پیش‌بینی
• 44. ملاحظات مربوط به مقیاس‌پذیری مدل‌ها
• 45. برنامه‌ریزی و مدیریت داده‌های طولی