تسلط بر تحلیل و پیش بینی سری های زمانی با پایتون

سرفصل ها و درس ها

مبانی تحلیل سری های زمانی Foundations of Time Series Analysis

• مقدمه ای بر داده های سری زمانی Introduction to Time Series Data

• درک اجزای سری زمانی Understanding Time Series Components

• ایستایی و اهمیت آن Stationarity and Its Importance

مدل سازی سری زمانی با ARIMA Time Series Modeling with ARIMA

• مبانی مدل ARIMA ARIMA Model Fundamentals

• ساخت و ارزیابی مدل های ARIMA Building and Evaluating ARIMA Models

• سری زمانی فصلی و تجزیه Seasonal Time Series and Decomposition

مفاهیم آماری برای سری های زمانی Statistical Concepts for Time Series

• توزیع احتمال در سری های زمانی Probability Distributions in Time Series

• آمار توصیفی و تجزیه و تحلیل داده های اکتشافی Descriptive Statistics and Exploratory Data Analysis

• آزمون فرضیه ها و فواصل اطمینان Hypothesis Testing and Confidence Intervals

پیش بینی با مدل های سری زمانی Forecasting with Time Series Models

• پیش بینی با مدل های ARIMA Forecasting with ARIMA Models

• انتخاب و ارزیابی مدل Model Selection and Evaluation

• پیش بینی عملی و بهبود مدل Practical Forecasting and Model Improvement

موضوعات و برنامه های کاربردی سری زمانی پیشرفته Advanced Time Series Topics and Applications

• تجسم داده برای سری های زمانی Data Visualization for Time Series

• سری زمانی در پایتون: پیاده سازی عملی Time Series in Python: Practical Implementation

• مطالعات موردی و کاربردهای دنیای واقعی Real-world Case Studies and Applications