آموزش مقدمه ای بر تحلیل و پیش بینی سری های زمانی در R

سرفصل ها و درس ها

معرفی Introduction

• به مقدمه دوره تحلیل و پیش بینی سری های زمانی در R خوش آمدید Welcome to the Course Introduction to Time Series Analysis and Forecasting in R

• مدیریت انتظارات Managing Expectations

• مبانی تحلیل و پیش بینی سری های زمانی Basics of Time Series Analysis and Forecasting

• انتخاب روش در پیش بینی Method Selection in Forecasting

• پیش بینی: راهنمای گام به گام Forecasting: Step by Step Guide

• تجزیه و تحلیل سری های زمانی و مورد استفاده پیش بینی: تخصیص کارکنان فروشگاه فناوری اطلاعات Time Series Analysis and Forecasting Use Case: IT Store Staff Allocation

• اسکریپت برای مثال Script for the Example

• نمای کلی بسته و نمای کار سری R Time Package Overview and the R Time Series Task View

• مجموعه داده های مورد استفاده Datasets To Be Used

• لینک های دوره Course Links

• مقدمه تحلیل سری زمانی Time Series Analysis Intro

کار با تاریخ و زمان در R Working With Dates And Time In R

• به این بخش خوش آمدید - این بخش درباره چیست؟ Welcome to this Section - What Is this Section About?

• کار با کلاس های مختلف تاریخ و زمان: POSIXt، Date و Chron Working with Different Date and Time Classes: POSIXt, Date and Chron

• تبدیل فرمت از رشته به تاریخ/زمان - تابع strptime Format Conversion from String to Date / Time - Function strptime

• بسته روغن کاری The Lubridate Package

• تمرین: استفاده از Lubridate در یک قاب داده Exercise: Using Lubridate on a Data Frame

• محاسبه تاریخ و زمان با Lubridate Date and Time Calculations with Lubridate

• Lubridate: Data Handling Exercise Lubridate: Data Handling Exercise

• بخش اسکریپت TD Section Script TD

پیش پردازش و تجسم داده های سری زمانی Time Series Data Pre-Processing and Visualization

• ایجاد سری زمانی Creating Time Series

• تمرین - قالب بندی سری زمانی Exercise - Time Series Formatting

• نمودارها و نمودارهای سری زمانی Time Series Charts and Graphs

• تمرین: سریال فصلی Exercise: Seasonplot

• وارد کردن داده های سری زمانی از اکسل یا منابع دیگر Importing Time Series Data From Excel or Other Sources

• کار با سری های زمانی نامنظم Working with Irregular Time Series

• کار با داده های از دست رفته و اطلاعات پرت Working with Missing Data and Outliers

• بخش اسکریپت TSPP Section Script TSPP

• آماده سازی داده های سری زمانی Time Series Data Preparation

پیشینه آماری برای تجزیه و تحلیل سری های زمانی و پیش بینی Statistical Background For Time Series Analysis And Forecasting

• بردارها و تأخیرهای سری زمانی Time Series Vectors and Lags

• ویژگی های سری زمانی Time Series Characteristics

• مدل های پیش بینی اولیه Basic Forecasting Models

• مقایسه مدل و دقت Model Comparison and Accuracy

• اهمیت باقیمانده ها در تحلیل سری های زمانی The Importance of Residuals in Time Series Analysis

• ثابت بودن Stationarity

• خودهمبستگی Autocorrelation

• توابع acf() و pacf() Functions acf() and pacf()

• تمرین: مقایسه پیش بینی Exercise: Forecast Comparison

• بخش اسکریپت STAT Section Script STAT

• پیشینه آماری Statistical Background

تحلیل و پیش بینی سری های زمانی Time Series Analysis And Forecasting

• انتخاب یک مدل مناسب - مدل های پیش بینی کمی Selecting a Suitable Model - Quantitative Forecasting Models

• معرفی فصلی تجزیه Seasonal Decomposition Intro

• نسخه ی نمایشی تجزیه Decomposition Demo

• تمرین: تجزیه Exercise: Decomposition

• میانگین متحرک ساده Simple Moving Average

• هموارسازی نمایی با ETS Exponential Smoothing with ETS

• پیش بینی های قضاوتی - روش های پیش بینی کیفی Judgmental Forecasts - Qualitative Forecasting Methods

• بخش اسکریپت TSA Section Script TSA

مدل های ARIMA ARIMA Models

• چه چیزی در راه است؟ مدل های ARIMA در تجزیه و تحلیل سری های زمانی What is Coming Up Next? ARIMA Models in Time Series Analysis

• آشنایی با مدل های ARIMA Introduction to ARIMA Models

• انتخاب خودکار مدل ARIMA با auto.arima Automated ARIMA Model Selection with auto.arima

• محاسبات مدل ARIMA ARIMA Model Calculations

• شبیه سازی سری های زمانی بر اساس ARIMA Simulating Time Series Based on ARIMA

• دستی انتخاب پارامتر ARIMA Manual ARIMA Parameter Selection

• نحوه شناسایی پارامترهای مدل ARIMA How to Indentify ARIMA Model Parameters

• پیش بینی های ARIMA ARIMA Forecasts

• ARIMA با متغیرهای توضیحی - اضافه کردن یک متغیر دوم به مدل ARIMA with Explanatory Variables - Adding a Second Variable to the Model

• بخش اسکریپت ARIMA Section Script ARIMA

تجزیه و تحلیل سری زمانی چند متغیره Multivariate Time Series Analysis

• چه چیزی در راه است؟ تجزیه و تحلیل سری زمانی چند متغیره در R What is Coming Up Next? Multivariate Time Series Analysis in R

• آشنایی با سری های زمانی چند متغیره و ساختار آنها Understanding Multivariate Time Series and Their Structure

• اشیاء سری زمانی چند متغیره و مجموعه داده پروژه Multivariate Time Series Objects and Project Dataset

• بسته های اصلی R برای تجزیه و تحلیل سری های زمانی چند متغیره Main R Packages for Multivariate Time Series Analysis

• ایستایی در سری های زمانی چند متغیره Stationarity in Multivariate Time Series

• نظریه مدل خودرگرسیون برداری Vector Autoregressive Model Theory

• پیاده سازی مدل های VAR در R Implementing VAR Models in R

• تست همبستگی باقیمانده و تشخیص مدل Test for Residual Correlation and Model Diagnostics

• آزمون گرنجر برای علیت The Granger Test for Causality

• پیش بینی مدل VAR Forecasting a VAR Model

• اسکریپت بخش Section Script

شبکه های عصبی در تجزیه و تحلیل سری های زمانی Neural Networks in Time Series Analysis

• چه چیزی در راه است؟ تجزیه و تحلیل سری های زمانی با استفاده از شبکه های عصبی What is Coming Up Next? Time Series Analysis Using Neural Networks

• مقدمه ای بر شبکه های عصبی برای TSA Intro to Neural Networks for TSA

• آشنایی با مجموعه داده Getting Familiar with the Dataset

• نمای وظایف سری زمانی برای شبکه های عصبی - چه چیزی در دسترس است؟ The Time Series Task View for Neural Nets - What is Available?

• پیاده سازی شبکه های عصبی در R - توابع زیربنایی Implementation of Neural Networks in R - Underlying Functions

• اجرای عملی یک شبکه عصبی خود رگرسیون Practical Implementation of an Autoregressive Neural Net

• پیاده سازی یک رگرسیور خارجی - شبکه عصبی چند متغیره Implementing an External Regressor - Multivariate Neural Net

• اسکریپت بخش Section Script

• منابع بیشتر و کجا برویم بعدی Further Resources and Where to Go Next