کتاب صوتی یادگیری ماشین برای سری‌های زمانی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین برای سری‌های زمانی

موضوع کلی: توسعه پیشرفته عامل‌های هوشمند و سیستم‌های خودکار

موضوع میانی: ساخت مدل‌های پیش‌بینی‌کننده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر سری‌های زمانی
• 2. مفاهیم پایه سری‌های زمانی
• 3. ویژگی‌های سری‌های زمانی
• 4. تجزیه و تحلیل بصری سری‌های زمانی
• 5. روش‌های جمع‌آوری داده‌های سری زمانی
• 6. پیش‌پردازش داده‌های سری‌های زمانی
• 7. پاکسازی داده‌های پرت
• 8. مقیاس‌بندی داده‌های سری زمانی
• 9. تبدیل داده‌های سری زمانی
• 10. معرفی روش‌های سنتی پیش‌بینی
• 11. میانگین متحرک
• 12. هموارسازی نمایی
• 13. مدل‌های اتورگرسیو (AR)
• 14. مدل‌های میانگین متحرک (MA)
• 15. مدل‌های اتورگرسیو میانگین متحرک (ARMA)
• 16. مدل‌های اتورگرسیو انتگرالی میانگین متحرک (ARIMA)
• 17. شناسایی پارامترهای مدل ARIMA
• 18. آزمون ایستایی سری‌های زمانی
• 19. تست دیکی-فولر
• 20. تست ADF تعمیم‌یافته
• 21. تبدیل سری‌های زمانی غیرایستا
• 22. پیش‌بینی با مدل‌های ARIMA
• 23. ارزیابی عملکرد مدل‌های ARIMA
• 24. معرفی یادگیری ماشین برای سری‌های زمانی
• 25. شبکه‌های عصبی مصنوعی (ANN)
• 26. شبکه‌های عصبی بازگشتی (RNN)
• 27. شبکه‌های حافظه بلندمدت (LSTM)
• 28. شبکه‌های گیت‌شده بازگشتی (GRU)
• 29. آماده‌سازی داده‌ها برای یادگیری ماشین
• 30. انتخاب ویژگی در سری‌های زمانی
• 31. مهندسی ویژگی برای سری‌های زمانی
• 32. آموزش مدل‌های یادگیری ماشین
• 33. اعتبارسنجی مدل‌های یادگیری ماشین
• 34. ارزیابی عملکرد مدل‌های یادگیری ماشین
• 35. مقایسه مدل‌های سنتی و یادگیری ماشین
• 36. بهینه‌سازی پارامترهای مدل‌های یادگیری ماشین
• 37. پیش‌بینی چندمتغیره سری‌های زمانی
• 38. کاربرد یادگیری ماشین در پیش‌بینی آب و هوا
• 39. کاربرد یادگیری ماشین در پیش‌بینی بازار سهام
• 40. کاربرد یادگیری ماشین در پیش‌بینی تقاضای انرژی
• 41. کاربرد یادگیری ماشین در تشخیص ناهنجاری در سری‌های زمانی
• 42. کاربرد یادگیری ماشین در پیش‌بینی خرابی تجهیزات
• 43. تکنیک‌های آنسامبل برای سری‌های زمانی
• 44. پیش‌بینی بازه‌ای (Interval Forecasting)
• 45. مدل‌سازی فصلی در سری‌های زمانی