آموزش مبانی تحلیل و پیش‌بینی سری‌های زمانی - آخرین آپدیت

دانلود Time Series Analysis & Forecasting Fundamentals

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: تسلط بر مدل‌های ARIMA، GARCH و LSTMها. ساخت خط لوله‌های پیش‌بینی آماده برای محیط عملیاتی با پایتون برای حوزه‌های مالی و علم داده. تسلط بر مفاهیم بنیادی تحلیل سری‌های زمانی، شامل روند (Trend)، فصلی بودن (Seasonality) و تست‌های ایستایی مانند ADF و KPSS. ساخت و بهینه‌سازی مدل‌های پیش‌بینی کلاسیک مانند ARIMA، SARIMA و هموارسازی نمایی (هولت-وینترز) با استفاده از پایتون. تحلیل نوسانات مالی با استفاده از مدل‌های پیشرفته ARCH و GARCH برای اندازه‌گیری و پیش‌بینی ریسک بازار. پیاده‌سازی معماری‌های پیشرفته یادگیری عمیق، از جمله LSTMها، GRUها و ترنسفورمرها برای داده‌های زمانی پیچیده. انجام تحلیل طیفی برای شناسایی الگوهای متناوب پنهان با استفاده از تبدیل فوریه و پریودوگرام‌ها. طراحی یک خط لوله پیش‌بینی صنعتی شامل بازآموزی خودکار، شناسایی تغییرات توزیع داده‌ها (Drift Detection) و ترکیب مدل‌ها (Ensembling). پیشنیازها: دانش پایه زبان برنامه‌نویسی پایتون (کتابخانه‌های pandas و numpy). آشنایی با مفاهیم بنیادی آمار (میانگین، واریانس و انحراف معیار). یک کامپیوتر دارای پایتون (استفاده از Jupyter Notebook یا Google Colab برای تمرینات عملی توصیه می‌شود).

با این راهنمای جامع تحلیل سری‌های زمانی، قدرت داده‌های زمانی را آزاد کنید. این دوره شکاف بین اقتصادسنجی آماری سنتی و یادگیری ماشین مدرن را پر می‌کند و شما را از درک مفاهیم پایه ایستایی تا استقرار معماری‌های پیچیده یادگیری عمیق در محیط عملیاتی هدایت می‌کند.

شما با تسلط بر «مبانی» شروع خواهید کرد، جایی که روند، فصلی بودن و تست‌های ضروری ایستایی مانند ADF و KPSS را بررسی می‌کنیم. پس از آن، به «مدل‌های کلاسیک» از جمله ARIMA و ARIMA فصلی می‌پردازیم که با پیاده‌سازی‌های عملی در پایتون پشتیبانی می‌شوند. برای علاقه‌مندان به حوزه مالی، بخش اختصاصی مدل‌سازی GARCH ابزارهایی برای پیش‌بینی نوسانات بازار و مدیریت مؤثر ریسک فراهم می‌کند.

با ورود به تکنیک‌های مدرن، یاد می‌گیرید که ویژگی‌های پیشرفته بسازید و مدل‌های یادگیری عمیق مانند LSTM و GRU را پیاده‌سازی کنید. ما حتی معماری‌های پیشرو مانند Temporal Fusion Transformer و PatchTST را پوشش می‌دهیم. در نهایت، جنبه «مهندسی» پیش‌بینی را خواهید آموخت: ساخت خط لوله‌های مقاوم با بازآموزی خودکار، نظارت بر تغییرات مدل و ایجاد مدل‌های ترکیبی قدرتمندی که عملکردی بهتر از مدل‌های تک‌گانه دارند. چه دانشمند داده باشید، چه تحلیلگر کوانت یا مهندس، این دوره تخصص جامع مورد نیاز برای مدیریت داده‌های زمان‌بندی شده در مقیاس بزرگ را فراهم می‌کند. این برنامه آموزشی تضمین می‌کند که بتوانید مدل‌های خود را با اعتماد به نفس کامل از یک نوت‌بوک محلی به یک محیط مقیاس‌پذیر واقعی منتقل کنید.


سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه Introduction

نمادهای ریاضی ضروری Essential Mathematical Symbols

  • نمادهای ریاضی ضروری ۱ Essential Mathematical Symbols - 1

  • نمادهای ریاضی ضروری ۲ Essential Mathematical Symbols - 2

  • نمادهای ریاضی ضروری ۳ Essential Mathematical Symbols - 3

  • نمادهای ریاضی ضروری ۴ Essential Mathematical Symbols - 4

مبانی سری‌های زمانی Foundations of Time Series

  • مبانی سری‌های زمانی Foundations of Time Series

مدل‌های کلاسیک سری‌های زمانی Classical Time Series Models

  • مدل‌های کلاسیک سری‌های زمانی ۱ Classical Time Series Models - 1

  • مدل‌های کلاسیک سری‌های زمانی ۲ Classical Time Series Models - 2

روش‌های هموارسازی نمایی Exponential Smoothing Methods

  • روش‌های هموارسازی نمایی Exponential Smoothing Methods

مدل‌های آماری پیشرفته Advanced Statistical Models

  • مدل‌های آماری پیشرفته Advanced Statistical Models

یادگیری ماشین برای سری‌های زمانی Machine Learning for Time Series

  • یادگیری ماشین برای سری‌های زمانی Machine Learning for Time Series

ارزیابی پیش‌بینی Forecasting Evaluation

  • ارزیابی پیش‌بینی Forecasting Evaluation

کاربردها و مطالعات موردی Applications and Case Studies

  • کاربردها و مطالعات موردی Applications and Case Studies

تحلیل طیفی Spectral Analysis

  • تحلیل طیفی Spectral Analysis

مدل‌های فضای حالت State Space Models

  • مدل‌های فضای حالت State Space Models

بهترین روش‌های پیاده‌سازی Implementation Best Practices

  • بهترین روش‌های پیاده‌سازی Implementation Best Practices

کتابخانه Darts Darts

  • معرفی Darts Darts - Intro

کتابخانه Prophet Prophet

  • کتابخانه Prophet Prophet

کتابخانه pmdarima pmdarima Library

  • کتابخانه pmdarima pmdarima

برنامه‌نویسی پایتون (اختیاری) Python Programming (Optional)

  • پایتون چیست؟ What is Python?

  • آناکوندا، ژوپیتر و ویژوال استودیو کد Anaconda & Jupyter & Visual Studio Code

  • گوگل کولب Google Colab

  • راه‌اندازی محیط برنامه Environment Setup

  • سینتکس پایتون و عملیات پایه Python Syntax & Basic Operations

  • ساختارهای داده: لیست‌ها، تاپل‌ها و ست‌ها Data Structures: Lists, Tuples, Sets

  • ساختارهای کنترلی و حلقه‌ها Control Structures & Looping

  • توابع و مبانی برنامه‌نویسی تابعی Functions & Basic Functional Programming

  • توابع سطح متوسط Intermediate Functions

  • دیکشنری‌ها و ساختارهای داده پیشرفته Dictionaries and Advanced Data Structures

  • ماژول‌ها، پکیج‌ها و وارد کردن کتابخانه‌ها Modules, Packages & Importing Libraries

  • کار با فایل‌ها File Handling

  • مدیریت استثناها و کدنویسی مقاوم Exception Handling & Robust Code

  • مفاهیم پایه برنامه‌نویسی شی‌گرا (OOP) Basic Object-Oriented Programming (OOP) Concepts

  • مبانی بصری‌سازی داده‌ها Data Visualization Basics

  • عملیات پیشرفته روی لیست‌ها و List Comprehensions Advanced List Operations & Comprehensions

نمایش نظرات

آموزش مبانی تحلیل و پیش‌بینی سری‌های زمانی
جزییات دوره
9 hours
35
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
40
4.8 از 5
ندارد
ندارد
ندارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Advancedor Academy Advancedor Academy

متخصص OR & MS