اکسپرس 24
کتاب تحلیل و مدل‌سازی داده‌های سری زمانی فصلی با پایتون

کتاب تحلیل و مدل‌سازی داده‌های سری زمانی فصلی با پایتون

تگ‌ها: ARIMA Fourier LSTM pandas Prophet SARIMA statsmodels time series машин لرن اقتصادی پایتون پیش‌بینی تحلیل سری زمانی فصلی مدل‌سازی

انتخاب پلن

افزودنی‌های اختیاری

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل و مدل‌سازی داده‌های سری زمانی فصلی با پایتون

موضوع کلی: اقتصادسنجی تجربی

موضوع میانی: تجزیه و تحلیل سری زمانی با پایتون

📋 سرفصل‌های دوره

  • 1. مقدمه بر سری زمانی فصلی و اهمیت آن در اقتصادسنجی
  • 2. مفاهیم پایه: ترند، فصلی، نویز، و استاتیکاری
  • 3. انواع داده‌های فصلی: ماهانه، سه‌ماهه، سالانه
  • 4. آماده‌سازی محیط کار: نصب Python، کتابخانه‌های essencial (pandas, numpy, statsmodels, matplotlib, seaborn)
  • 5. بارگذاری و بررسی داده‌های سری زمانی در pandas
  • 6. نمایش داده‌ها: نمودار خطی، نمودار فصلی، heatmap
  • 7. تجزیه سری زمانی با متدهای کلاسیک: aditive و multiplicative decomposition
  • 8. استفاده از statsmodels.tsa.seasonal_decompose
  • 9. تست استاتیکاری: آزمون Dickey-Fuller augmentation (ADF)
  • 10. تبدیل تفاضل برای حذف ترند و فصلی
  • 11. استفاده از تفاضل فصلی (seasonal differencing)
  • 12. مدل‌های ARIMA پایه و فرضیات
  • 13. ارائهابی پارامترهای p, d, q با ACF و PACF
  • 14. انتخاب خودکار پارامترها با auto_arima (pmdarima)
  • 15. فیت مدل ARIMA و تشخیص لا مانده
  • 16. پیش‌بینی با ARIMA و بازه‌های اعتماد
  • 17. ارزیابی مدل: MAE, RMSE, MAPE
  • 18. مدل SARIMA (Seasonal ARIMA) و مفهوم فصلی P, D, Q, s
  • 19. انتخاب خودکار پارامترهای SARIMA با pmdarima
  • 20. فیت و تشخیص SARIMA
  • 21. پیش‌بینی فصلی با SARIMA
  • 22. مقایسه مدل‌های ARIMA vs SARIMA
  • 23. معرفی مدل‌های指数 smoothing: Holt-Winters فصلی
  • 24. پیاده‌سازی Holt-Winters با statsmodels
  • 25. تنظیم پارامترهای Alpha, Beta, Gamma
  • 26. پیش‌بینی و ارزیابی Holt-Winters
  • 27. معرفی مدل‌هایmachine learning برای سری زمانی: Random Forest, Gradient Boosting
  • 28. ویژگی‌سازی Lag و rolling statistics
  • 29. ایجاد ویژگی‌های فصلی (متغیرهایdummy، term‌های Fourier)
  • 30. آموزش مدل Random Forest با داده‌های فصلی
  • 31. آموزش مدل XGBoost برای پیش‌بینی سری زمانی
  • 32. ارزیابی مدل‌های ML و مقایسه با آمارهای سنتی
  • 33. معرفی مدل‌های deep learning: RNN, LSTM
  • 34. پیاده‌سازی LSTM با TensorFlow/Keras برای سری زمانی فصلی
  • 35. تنظیم последоваتی و batch size
  • 36. پیش‌بینی و ارزیابی LSTM
  • 37. استفاده از CNN برای استخراج ویژگی‌های فصلی
  • 38. ترکیب CNN-LSTM (CNN-LSTM hybrid)
  • 39. معرفی Prophet (Facebook) برای پیش‌بینی فصلی
  • 40. پیکربندی Prophet با فصلی‌هایmultiplе
  • 41. افزودن effet holiday و اثرات khusus در Prophet
  • 42. ارزیابی Prophet و مقایسه با SARIMA
  • 43. مدل‌هایhybrid: SARIMA + 잔دي‌هایML
  • 44. استخراج ویژگی‌های از تجزیه سری زمانی (ترند، فصلی، 잔ди)
  • 45. استفاده از ویژگی‌های استخراج شده در مدل‌های ML
  • 46. مدیریت داده‌های ناقص و outliers در سری زمانی فصلی
  • 47. تکنیک‌های imputation: خطی، spline، Kalman filter
  • 48. تشخیص و käsitely outliers با معیارهای robust
  • 49. مدیریت تغییرات ساختاری (structural breaks) با آزمون Chow و Bai-Perron
  • 50. استفاده از متغیرهای外生 (exogenous) در مدل SARIMAX
  • 51. ایجاد و ادغام متغیرهای外생: قیمت نفت، نرخ تبادل
  • 52. فیت SARIMAX و ارزیابی
  • 53. پیش‌بینی با متغیرهای外生
  • 54. معرفی مدل‌های 벡터自己回귀 (VAR) برای چند متغیره فصلی
  • 55. آماده‌سازی داده‌های چند متغیره برای VAR
  • 56. تقدير VAR و آزمون Granger causality
  • 57. پیش‌بینی متغیرهای چندگانه با VAR
  • 58. استفاده از مدل‌های état-فضاء (state-space) و Kalman filter
  • 59. پیاده‌سازی مدل مؤلفه‌های مشاهد‌نشده (UCM) با statsmodels
  • 60. استخراج اجزاء روند و فصلی با UCM
  • 61. پیش‌بینی با UCM
  • 62. معرفی مدل‌های bayesian برای سری زمانی فصلی (Bayesian Structural Time Series)
  • 63. پیاده‌سازی BSTS با PyMC3 یا مؤلفه‌های Bayesian Prophet
  • 64. ارزیابی posterior و intervals
  • 65. شبیه‌سازی مونتي کارلو برای عدم certeza پیش‌بینی
  • 66. تولید سناریوهای پیش‌بینی با بوت استرپ مانده‌ها
  • 67. بازبینی و بهینه‌سازی هیپرپارامترها با جستجوی شبکه و جستجوی تصادفی
  • 68. استفاده از کتابخانه optuna برای بهینه‌سازی خودکار
  • 69. پایپляйн خودکار پیش‌پردازش، مدل‌سازی، ارزیابی با scikit-learn Pipeline
  • 70. ذخیره و بارگذاری مدل‌ها (pickle, joblib)
  • 71. تولید گزارش خودکار با Jupyter Notebook و nbconvert
  • 72. ایجاد داشبورد تعاملی با Plotly Dash یا Streamlit
  • 73. نمایش پیش‌بینی‌ها و بازه‌های اعتماد در داشبورد
  • 74. استخراجInsights اقتصادی از پیش‌بینی‌ها: پیش‌بینی رشد GDP فصلی
  • 75. تحلیل سناریوهای سیاستی: اثر تغییرات مالیات بر سری زمانی
  • 76. بررسی پایداری مدل در زمان (model drift) و به‌روزرسانی دوره‌ای
  • 77. استراتژی‌های re‑training و یادگیری آنلاین
  • 78. استفاده از دیتابیس‌های سری زمانی: InfluxDB, TimescaleDB
  • 79. ارتباط با API‌های اقتصادی برای به‌روزرسانی داده‌ها (FRED, World Bank)
  • 80. اتوماسیون پایپляйн با Apache Airflow یا Prefect
  • 81. تست واحد برای توابع پیش‌پردازش و مدل‌سازی (pytest)
  • 82. بهترین Practices در کدنویسی: PEP8, type hints, logging
  • 83. مدیریت محیط‌های مجازی: conda, venv, pipenv
  • 84. مستندسازی پروژه با Sphinx یا MkDocs
  • 85. نشر مدل به‌عنوان API با FastAPI
  • 86. استفاده از Docker برای encapsulating محیط
  • 87. مانیتورینگ عملکرد مدل در producción با Evidently AI
  • 88. به‌روزرسانی خودکار مدل با داده‌های جدید (pipeline retraining)
  • 89. بررسی Ethics و side-effects در پیش‌بینی‌های اقتصادی
  • 90. مطالعهٔ кейس‌های واقعی: پیش‌بینی تورم فصلی، فروشปลาย
  • 91. پروژه capstone: ساخت مدل پیش‌بینی برای متغیر اقتصادی انتخابی
  • 92. ارزیابی نهایی پروژه و ارائه نتایج
  • 93. منابع یادگیری ادامه‌دار: کتاب‌ها، مقالات، cours
  • 94. کامunitِ بین‌المللی: forums، 깃허브
  • 95. آماده‌سازی برای استخدام: résumé، مصاحبه فنی
  • 96. مرور کلی مفاهیم و نکات کلیدی
  • 97. تست نهایی دوره (quiz)
  • 98. بازخورد و بهبود مستمر
  • 99. cerimônia پایان و اعتبار
  • 100. منابع تکمیلی: لیست کتابخانه‌های Python مفید

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.