تجزیه و تحلیل سری زمانی با پایتون 3.x [ویدئو]

سرفصل ها و درس ها

راه اندازی و یادگیری روش های دریافت داده ها Setting Up and Learning Ways to Get Data

• بررسی اجمالی دوره The Course Overview

• نصب و راه اندازی Installation

• عملیات پانداها Pandas Operations

• کار با Pandas Datetime Working with Pandas Datetime

• دریافت داده ها Getting Data

داده ها و روابط سری زمانی Time Series Data and Relationships

• وارد کردن سری های زمانی در پایتون Importing Time Series in Python

• مدل سازی و تجزیه سری های زمانی بر اساس روند و فصلی Modelling and Decomposing Time Series Based on Trend and Seasonality

• رویکردهای Detrend و Desesonalize یک سری زمانی Approaches to Detrend and Deseasonalize a Time Series

• همبستگی: رابطه بین سری Correlation: Relationship Between Series

• خودهمبستگی: رابطه درون سری Autocorrelation: Relationship Within Series

کار با مدل های سری زمانی Operating with Time Series Models

• ثابت بودن در سری زمانی Stationarity in Time Series

• مدل های خودرگرسیون (AR) و میانگین متحرک (MA). Autoregression (AR) and Moving Average (MA) Models

• تخمین مدل AR Estimating an AR Model

• تخمین مدل MA Estimating an MA Model

• ساخت مدل ARMA Building an ARMA Model

کار با مدل های مختلف ML برای تجزیه و تحلیل سری های زمانی Working with Various ML Models for Time Series Analysis

• نحوه کار با مدل های ML برای تجزیه و تحلیل سری های زمانی How to Work with ML Models for Time Series Analysis

• تجزیه و تحلیل سری های زمانی با استفاده از درخت تصمیم Time Series Analysis Using Decision Tree

• تجزیه و تحلیل با استفاده از جنگل تصادفی Analysis Using Random Forest

• افزایش گرادیان برای تجزیه و تحلیل سری Gradient-Boosted for Series Analysis

• مدیریت ارزش های گمشده Handling Missing Values

تکمیل پروژه خود در مورد تشخیص ناهنجاری Completing Your Project on Anomaly Detection

• نحوه کار با مدل های همگرایی How to Work with Cointegration Models

• استفاده از آزمون علیت گرنجر Using Granger Causality Test

• انجام پیش بینی و تحلیل با استفاده از ARIMA Performing Forecasting and Analysis Using ARIMA

• تفسیر نتایج Interpretation of Results