کتاب صوتی پیش‌بینی با مدل‌های سری زمانی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیش‌بینی با مدل‌های سری زمانی

موضوع کلی: علوم داده و هوش مصنوعی در سازمان

موضوع میانی: مدل‌سازی آماری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر سری‌های زمانی
• 2. جمع‌آوری و آماده‌سازی داده‌های سری زمانی
• 3. تجزیه و تحلیل گرافیکی سری‌های زمانی
• 4. مفاهیم پایه آماری در سری‌های زمانی
• 5. بررسی روند (Trend) در سری‌های زمانی
• 6. بررسی فصلی بودن (Seasonality) در سری‌های زمانی
• 7. بررسی چرخه‌ای بودن (Cyclicity) در سری‌های زمانی
• 8. بررسی تصادفی بودن (Randomness) در سری‌های زمانی
• 9. تخمین پارامترها با استفاده از روش‌های گرافیکی
• 10. میانگین متحرک (Moving Average)
• 11. نمودارهای میانگین متحرک نمایی (Exponential Smoothing)
• 12. انتخاب بازه زمانی مناسب برای میانگین متحرک
• 13. مدل‌های ARIMA: مقدمه
• 14. مدل‌های AR: خودرگرسیون
• 15. مدل‌های MA: میانگین متحرک
• 16. مدل‌های ARIMA: ترکیب AR و MA
• 17. شناسایی مرتبه مدل ARIMA
• 18. تست‌های ایستایی (Stationarity Tests)
• 19. تبدیل سری‌های غیرایستا به ایستا
• 20. بررسی خودهمبستگی و خودهمبستگی جزئی
• 21. تخمین پارامترهای مدل ARIMA
• 22. ارزیابی و اعتبارسنجی مدل ARIMA
• 23. پیش‌بینی با مدل ARIMA
• 24. مدل‌های SARIMA: معرفی
• 25. تخمین پارامترهای مدل SARIMA
• 26. ارزیابی و اعتبارسنجی مدل SARIMA
• 27. پیش‌بینی با مدل SARIMA
• 28. مدل‌های ARCH و GARCH: مقدمه
• 29. کاربرد مدل‌های ARCH و GARCH در سری‌های زمانی مالی
• 30. تحلیل باقی‌ماندها در مدل‌های سری زمانی
• 31. بررسی ناهمسانی واریانس (Heteroscedasticity)
• 32. تکنیک‌های مدل‌سازی برای داده‌های نامنظم
• 33. مدل‌سازی با استفاده از رگرسیون خطی
• 34. مدل‌سازی با استفاده از رگرسیون چندگانه
• 35. استفاده از متغیرهای کمکی در مدل‌سازی
• 36. پیش‌بینی بازگشتی (Recursive Forecasting)
• 37. پیش‌بینی مستقیم (Direct Forecasting)
• 38. مقایسه روش‌های پیش‌بینی مختلف
• 39. ارزیابی دقت پیش‌بینی با استفاده از معیارهای مختلف
• 40. کاربرد سری‌های زمانی در اقتصادسنجی
• 41. کاربرد سری‌های زمانی در پیش‌بینی فروش
• 42. کاربرد سری‌های زمانی در کنترل کیفیت
• 43. کاربرد سری‌های زمانی در تحلیل داده‌های آب و هوا
• 44. کاربرد سری‌های زمانی در پیش‌بینی ترافیک
• 45. مدل‌سازی سری‌های زمانی با استفاده از شبکه‌های عصبی