آموزش مدل‌سازی سری‌های زمانی و داده‌های متوالی - آخرین آپدیت

مرور کلی تخصص Specialization Overview (Review)

• مرور کلی Overview

معرفی دوره Course Overview

• به دوره خوش آمدید Welcome to the course

مقدمه‌ای بر سری‌های زمانی Introduction to Time Series

• درباره این ماژول About this Module

• اجزای سری‌های زمانی Time Series Components

• کاربردهای تحلیل سری‌های زمانی Applications of Time Series Analysis

• دمو: بررسی یک سری زمانی Demo: Exploring a Time Series

• چارچوبی برای پیش‌بینی A Framework for Forecasting

• دمو: انباشت سری زمانی و بررسی تغییرات سیستماتیک Demo: Accumulating a Time Series and Exploring Systematic Variation

• مفاهیم و نمادگذاری‌ها Concepts and Notation

• مدل‌های ساده (Naive) Naive Models

• مقدمه‌ای بر مدل‌های هموارسازی نمایی (ESM) Introduction to Exponential Smoothing Models (ESM)

• مدل ESM و اجزای سیگنال ESM and Signal Components

• دمو: پیش‌بینی با استفاده از ESM Demo: Forecasting with ESM

مدل‌های ARIMAX ARIMAX Models

• درباره این ماژول About this Module

• مدل‌هایی برای داده‌های ایستا Models for Stationary Data

• مدل‌های میانگین متحرک خودرگرسیونی Autoregressive Moving Average Models

• شناسایی مدل‌های ARMA (بخش اول) Identifying ARMA Models (Part 1)

• شناسایی مدل‌های ARMA (بخش دوم) Identifying ARMA Models (Part 2)

• دمو: ویژگی‌های مدل ARMA Demo: ARMA Model Properties

• شناسایی خودکار مرتبه Automatic Order Identification

• دمو: شناسایی مرتبه‌های ARMA Demo: Identifying ARMA Orders

• داده‌های غیر ایستا و روند Non-Stationary Data, Trend

• تفاضل‌گیری و انتگرال‌گیری Differencing and Integration

• توابع روند Trend Functions

• دمو: دو روش بررسی روند در چارچوب ARIMA Demo: Trend Two Ways in an ARIMA Framework

• تست ریشه واحد دیکی-فولر تعمیم‌یافته (ADF) (بخش اول) The Augmented Dickey Fuller Unit Root (ADF) Test (Part 1)

• تست ریشه واحد دیکی-فولر تعمیم‌یافته (ADF) (بخش دوم) The Augmented Dickey Fuller Unit Root (ADF) Test (Part 2)

• دمو: کاربرد تست ADF Demo: An Application of the ADF Test

• تغییرات فصلی (بخش اول) Seasonal Variation (Part 1)

• تغییرات فصلی (بخش دوم) Seasonal Variation (Part 2)

• تست ADF برای فصلی بودن The ADF Test for Seasonality

• دمو: دو روش بررسی فصلی بودن در چارچوب ARIMA Demo: Seasonality Two Ways in an ARIMA Framework

• رگرسیون سری‌های زمانی Time Series Regression

• دمو: رگرسیون معمولی با استفاده از داده‌های پرت Demo: Ordinary Regression Using Outliers

• تابع همبستگی متقابل (CCF) The Cross Correlation Function (CCF)

• تابع انتقال The Transfer Function

• تفسیر CCF Interpreting the CCF

• دمو: رگرسیون پویا با متغیرهای رویداد Demo: Dynamic Regression with Event Variables

• اشتباهات رایج در همبستگی متقابل Cross Correlation Pitfalls

تحلیل بیزی سری‌های زمانی Bayesian Time Series Analysis

• درباره این ماژول About this Module

• تحلیل کلاسیک در مقابل تحلیل بیزی Classical Analysis versus Bayesian Analysis

• دسترسی به مقادیر وقفه و مقادیر بعدی Accessing Lag and Next Values

• دمو: تنظیم اجزای خودرگرسیونی Demo: Setting Up Autoregressive Components

• راه‌اندازی مدل خطی پویا Dynamic Linear Model Setup

• دمو: تنظیم اجزای فصلی Demo: Setting Up Seasonality Components

• افزودن متغیرهای برون‌زا Adding Exogenous Variables

• دمو: تنظیم اجزای برون‌زا Demo: Setting Up Exogenous Components

• توابع PREDDIST و پیش‌بینی PREDDIST and Forecasting

• دمو: خروجی پیش‌بینی Demo: Forecast Output

رویکردهای یادگیری ماشین در مدل‌سازی سری‌های زمانی Machine Learning Approaches to Time Series Modeling

• درباره این ماژول About this Module

• آماده‌سازی داده‌های سری زمانی برای یادگیری ماشین Preparing Time Series Data for Machine Learning

• مقدمه‌ای کوتاه بر مدل‌های Gradient Boosting Brief Introduction to Gradient Boosting Models

• دمو: آماده‌سازی داده‌های سری زمانی و ساخت مدل Gradient Boosting Demo: Preparing Time Series Data and Building a Gradient Boosting Model

• مقدمه‌ای بر شبکه‌های عصبی بازگشتی Introduction to Recurrent Neural Networks

• بلاک‌های حافظه طولانی کوتاه-مدت (LSTM) در RNNها Long Short-Term Memory Blocks in RNNs

• دمو: ساخت یک شبکه عصبی بازگشتی با بلاک‌های LSTM برای پیش‌بینی سری‌های زمانی Demo: Building a Recurrent Neural Network with LSTM Blocks to Forecast Time Series

• محدودیت‌های روش‌های یادگیری ماشین برای پیش‌بینی سری‌های زمانی Limitations of Machine Learning Methods for Time Series Forecasting

رویکردهای مدل‌سازی هیبریدی و پیش‌بینی‌های خارجی Hybrid Modeling Approaches and External Forecasts

• درباره این ماژول About this Module

• مدل‌های خارجی و پیش‌بینی‌های ترکیبی External Models and Combined Forecasts

• جزئیات پیش‌بینی‌های ترکیبی Combination Forecast Details

• پیش‌بینی‌های ترکیبی با استفاده از بسته TSM Combined Forecasts Using the TSM Package

• دمو: تولید پیش‌بینی‌های ترکیبی با شیء CFC Demo: Generating Combined Forecasts with the CFC Object

• دمو: ترکیب پیش‌بینی‌ها از رویکردهای مختلف مدل‌سازی Demo: Combining Forecasts from Multiple Modeling Approaches

• نقاط قوت روش‌های یادگیری ماشین: مدل‌سازی چندین سری زمانی Strengths of Machine Learning Methods: Modeling Multiple Time Series

• وزن‌دهی به پیش‌بینی‌های ترکیبی با یادگیری ماشین Weighting Combined Forecasts with Machine Learning

• دمو: استفاده از Gradient Boosting برای یافتن بهترین ترکیب وزنی از مدل‌های سنتی سری‌های زمانی Demo: Using Gradient Boosting to Find the Best Weighted Combination of Traditional Time Series Models

مرور نهایی دوره Course Review