آموزش پایتون کاربردی برای تحلیل سری‌های زمانی - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• محیط توسعه Dev environment

• چرا دوره پایتون کاربردی برای تحلیل سری‌های زمانی را بگذرانیم؟ Why take Practical Python for Time-Series Analysis?

• رهگیری پیشرفت شما Tracking your progress

1. اتصال و پیش‌پردازش داده‌های سری زمانی 1. Join and Preprocess Time Series Data

• اتصال سری‌های زمانی با pandas.concat() Concatenate time series with pandas.concat()

• پر کردن داده‌های گمشده با درون‌یابی خطی Fill missing data with linear interpolation

• مقایسه Inner join و Outer join Inner join vs. outer join

• تغییر نام ستون‌ها و خروجی گرفتن از داده‌ها Rename columns and export data

• خودکارسازی بارگذاری با حلقه‌های for Automate loading with for loops

• دانلود و بارگذاری داده‌های FRED Download and load FRED data

• ترکیب چندین مجموعه‌داده سری زمانی Combine multiple time series datasets

2. استفاده از Groupby برای نمودارهای ستونی سری زمانی 2. Groupby for Time Series Bar Charts

• تجمیع داده‌های سری زمانی Aggregate time series data

• استخراج ویژگی‌های زمانی از ایندکس datetime Extract temporal properties from datetime index

• ایجاد نمودارهای ستونی انباشته با Plotly Create stacked bar charts with Plotly

• ایجاد نمودارهای چندوجهی (Faceted) با Plotly Create faceted charts with Plotly

3. تمرین: پیاده‌سازی DataFrame.groupby روی داده‌های جدید 3. Assignment: Practice DataFrame.groupby on New Data

• دانلود داده‌های انرژی از API EIA Download energy data from EIA API

• دانلود داده‌های فدرال رزرو از طریق API FRED Download Federal Reserve data via FRED API

4. جدول محوری برای ماتریس حرارتی سری زمانی 4. Pivot Table for Time Series Heat Matrix

• نحوه مدیریت جداول محوری برای نمودارهای تعاملی How to manipulate pivot tables for interactive charts

• ماتریس حرارتی و نمودار جعبه‌ای: چه زمانی از کدام استفاده کنیم؟ Heat matrix and box plot: When to use which?

• مرتب‌سازی ماتریس حرارتی برای ایجاد رتبه‌بندی Sort a heat matrix to create a ranking

• ایجاد بصری‌سازی‌های نقشه حرارتی (Heatmap) Create heat map visualizations

• ایجاد ماتریس حرارتی با جداول محوری Create a heat matrix with pivot tables

5. بازنمونه‌گیری زمانی برای تجمیع‌های خودکار 5. Temporal Resampling for Automated Aggregations

• ماتریس حرارتی تعاملی با Plotly Interactive Plotly heat matrix

• تجمیع سری‌های زمانی سالانه با resample Aggregate time series by year with resample

• تجمیع داده‌های تاریخی سری زمانی Aggregate historical time series data

6. رگرسیون خطی ساده 6. Simple Linear Regression

• پیاده‌سازی رگرسیون خطی با statsmodels Implement linear regression with statsmodels

• رگرسیون مقاوم برای موارد نقض مفروضات Robust regression for assumption violations

• اصول بنیادی رگرسیون خطی Linear regression fundamentals

• تفسیر ضرایب رگرسیون خطی Interpret linear regression coefficients

• رگرسیون مقاوم (Robust Regression) Robust regression

• تشخیص‌ها و مفروضات رگرسیون Regression diagnostics and assumptions

7. تمرین: پیاده‌سازی رگرسیون خطی ساده روی داده‌های جدید 7. Assignment: Practice Simple Linear Regression on New Data

• نحوه دانلود داده‌های جدید و تطبیق نوت‌بوک‌ها برای تکرار مراحل How to download new data and adapt notebooks to replicate steps

8. رگرسیون با متغیرهای دسته‌ای (Categorical) 8. Regression with Categorical Variables

• محاسبه رگرسیون دسته‌ای با statsmodels Compute categorical regression with statsmodels

• بصری‌سازی رگرسیون دسته‌ای با نمودارهای چندوجهی Visualize categorical regression with faceted charts

• اجرای رگرسیون با پیش‌بین‌های دسته‌ای Run regression with categorical predictors

• ادغام متغیرهای دسته‌ای در مدل‌های رگرسیون Incorporate categorical variables into regression models

9. مهندسی ویژگی برای سری‌های زمانی 9. Feature Engineering for Time Series

• اصول بنیادی مهندسی ویژگی Feature engineering fundamentals

• مقایسه عملکرد تبدیل ویژگی‌ها Compare feature transformation performance

• کاهش جزئیات با resample Reduce granularity with resample

• فیلتر کردن داده‌ها و گسسته‌سازی دوره زمانی Filter data and discretize temporal period

• تبدیل ویژگی‌ها با پنجره‌های لغزان (Rolling Windows) Transform features with rolling windows

10. تمرین: تکمیل گردش‌کار رگرسیون سری زمانی 10. Assignment: Complete Time Series Regression Workflow

• نحوه دانلود داده‌های جدید و تطبیق نوت‌بوک‌ها برای تکرار مراحل How to download new data and adapt notebooks to replicate steps

11. جمع‌بندی 11. Conclusion