آموزش تحلیل سری های زمانی با پایتون و آر R

آموزش تحلیل سری های زمانی با پایتون و آر R

7 ساعت
4.4

پایتون چیست؟ پایتون (Python) یک زبان برنامه‌نویسی متن‌باز، داینامیک و مفسری است که در دهه ۱۹۸۰ طراحی و توسعه داده شد. این زبان به عنوان یک زبان High-level و خوانا، محیطی انعطاف‌پذیر و گسترده‌ای برای کاربردهای مختلف از جمله تحلیل داده، توسعه نرم‌افزار و اپلیکیشن‌ و پیاده‌سازی وب‌سایت، مهیا می‌کند. نرم‌افزار و زبان برنامه‌نویسی R چیست؟ زبان برنامه‌نویسی R یک زبان محاسباتی و یک محیط نرم‌افزاری است که برای تحلیل و داده‌کاوی آماری مورد استفاده قرار می‌گیرد. R یک زبان متن‌باز و رایگان است که توسط جامعه علمی و تحقیقاتی برای تحلیل داده، تصویرسازی، مدل‌سازی آماری و تطابق داده‌ها به منظور استخراج الگوها و اطلاعات ارزشمند استفاده می‌شود. سری زمانی چیست؟ سری زمانی مجموعه‌ای از داده‌ها هستند که به ترتیب زمانی یا در دوره‌های زمانی مختلف ثبت شده‌اند. سری زمانی به عنوان متغیر وابسته به زمان عمل می‌کند و دارای دو مولفه اصلی زمان و مقدار مشاهده‌شده در هر زمان است؛ این داده‌ها به صورت متوالی و با انتقال دوره یا زمان، تغییر می‌کنند. اهمیت یادگیری تحلیل سری‌های زمانی با پایتون و R چیست؟ سری‌های زمانی و روش‌های تحلیل آن یکی از مباحث کاربردی آمار محسوب می‌شوند که در رشته‌های مختلف مانند مهندسی، اقتصاد، کشاورزی، هواشناسی و ... کاربرد داشته و روز‌به‌روز استفاده از آن افزایش می‌یابد. استفاده از تکنیک‌های مدرن مانند شبکه عصبی و تحلیل طیفی تکین باعث شده است تا این روش آماری بتواند برای حالت‌هایی که مشاهدات کمی از سری زمانی در اختیار محقق قرار دارد، موثر واقع شود. ابزارهای محاسباتی برای اجرای تحلیل‌های سری زمانی در این آموزش زبان‌های برنامه‌نویسی پایتون و R است که هر دو در میان مهندسین و آمارشناسان از محبوبیت خاصی برخوردار هستند. این دو زبان برنامه‌نویسی به دلیل انعطاف‌پذیری و توانایی بالا در کار با داده‌‌های حجیم، گزینه‌های مناسبی برای کار با داده‌های زمانی بزرگ و پیچیده محسوب می‌شوند. در این فرادرس چه چیزی یاد می‌گیریم؟ در این آموزش علاوه بر آموزش و معرفی تکنیک‌های کلاسیک در تحلیل سری‌های زمانی، به روش‌های نوین نیز اشاره خواهیم داشت. هر چند در هر فصل، با یک مجموعه داده واقعی، تحلیل سری زمانی را به کار می‌بریم، ولی در فصل انتهایی هم با یک مجموعه داده، مراحل پیش‌بینی و اجرای تحلیل سری زمانی را به کمک دستورات پایتون و R‌ دنبال خواهیم کرد. تسلط به تحلیل سری زمانی به کمک زبان‌های برنامه‌نویسی پایتون و R هدف اصلی این آموزش است. به این ترتیب فراگیر قادر خواهد بود، مدل مناسب سری زمانی را به کمک معیارها و مدل‌های معرفی شده انتخاب و مقادیر سری زمانی را برای آینده پیش‌بینی کند. هر چند هرگونه پیش‌بینی آینده با خطا همراه است، ولی استفاده از روش‌های تحلیل سری زمانی اجازه می‌دهد که با مدل، به کمترین میزان خطا دست پیدا کنیم. البته در این بین، انتخاب معیار مناسب برای تعیین میزان برازش مدل سری زمانی نیز از اهمیت ویژه‌ای برخوردار است. فرض بر این است که فراگیران با مفاهیم اولیه سری زمانی و همچنین زبان‌های برنامه‌نویسی پایتون و R در حد مقدماتی آشنایی دارند و در این آموزش فقط به دستورات و کتابخانه‌های کاربردی برای تحلیل سری زمانی اشاره خواهیم داشت.

فرادرس
آرمان ری بد

تریلر دوره

توضیحات کامل دوره

...

سرفصل‌های دوره

  • چکیده
    0:01:11

  • مدل‌های تصادفی
    رایگان 0:08:01
  • سری زمانی و انواع آن
    0:08:50
  • مولفه‌های تشکیل‌دهنده سری زمانی
    0:10:55
  • مروری بر مدل رگرسیونی
    0:05:04
  • عبارت خطا در مدل رگرسیونی و سری زمانی
    0:06:01
  • بیش‌برازش، کم‌برازش و روش‌های اصلاح خطای مدل – بوت استرپ
    رایگان 0:11:48
  • تعیین ابرپارامترها، اعتبارسنجی متقابل و شاخص‌های ارزیابی مدل
    0:04:09
  • مدل رگرسیونی و مدل سری زمانی – تفاوت‌ها
    0:04:43
  • آشنایی با رابط Rstudio و ایجاد اعداد تصادفی
    0:14:36
  • تولید اعداد تصادفی در پایتون به کمک کتابخانه Numpy
    رایگان 0:04:59
  • شبیه‌سازی داده‌های سری زمانی در R
    0:15:20
  • شبیه‌سازی داده‌های سری زمانی در پایتون
    0:10:21

  • محاسبه همبستگی بین مشاهدات در R
    0:10:13
  • محاسبه همبستگی بین مشاهدات در پایتون
    0:13:33
  • مفاهیم مانایی و نامانایی در سری زمانی، ویژگی ارگودیک، ضریب همبستگی و همبستگی سریالی
    رایگان 0:16:09
  • بررسی مانایی قوی سری زمانی در R
    0:08:56
  • بررسی مانایی ضعیف سری زمانی در R – تابع خود‌همبستگی (ACF)
    0:04:51
  • معرفی مدل اتورگسیو در R – رسم نمودار Acf
    0:13:11
  • رسم نمودار Acf و Pacf در پایتون – آزمون مانایی دیکی فولر
    0:07:16
  • ویژگی‌های سری زمانی خودهمبسته (Autoregressive)
    0:11:25
  • تفاضل‌گیری و تبدیل سری غیرمانا به مانا
    0:11:27
  • مدل اتورگرسیو مرتبه اول و ویژگی‌های آن در R
    0:04:36
  • مدل اتورگرسیو مرتبه دوم و ویژگی‌های آن در R
    0:05:02

  • آشنایی با فیلتر میانگین متحرک – مدل میانگین متحرک و ویژگی‌های آن
    رایگان 0:12:23
  • ساخت داده‌های مدل میانگین متحرک مرتبه اول در R
    0:08:17
  • تولید سری زمانی میانگین متحرک در R با دستور arima.sim
    0:04:44
  • تولید سری زمانی میانگین متحرک در پایتون
    0:06:04

  • تولید سری زمانی مدل خودهمبسته در R با تابع arima.sim
    0:05:45
  • تولید سری زمانی مدل خودهمبسته در پایتون
    رایگان 0:06:03

  • مروری بر مدل میانگین متحرک – خودهمبسته (ARMA)
    0:06:05
  • پیش‌بینی و اندازه‌گیری خطای مدل – داده‌های آزمایشی و آموزشی
    0:03:41
  • شبیه‌سازی داده‌های سری زمانی مدل ARMA در R
    0:08:04
  • تعیین پارامترهای مدل سری زمانی AR به کمک مدل رگرسیونی در R
    0:03:55
  • ساخت و ارزیابی داده‌های مدل خودهمبسته مرتبه اول در R
    0:08:41
  • تعیین پارامترهای مدل AR‌ مرتبه اول به کمک دستور ARIMA
    رایگان 0:04:08
  • تعیین پارمترهای مدل AR برای سری زمانی دارای روند
    0:04:52
  • ارزیابی مدل AR – آزمون تصادفی - Jung Box و نرمال بودن باقی‌مانده‌ها
    0:05:39
  • تعیین پارامترهای مدل ARIMA برای سری زمانی دارای روند
    0:07:22
  • انتخاب مدل با auto.arima و پیش‌بینی مقادیر آینده در سری زمانی مدل ARIMA
    0:04:56
  • محاسبه دقت مدل ARIMA به کمک تابع accuracy
    0:05:20
  • مدل SARIMA و تعیین پارامترهای آن
    0:08:36
  • مدل ARIMA و SARIMA در پایتون
    0:04:34

  • هموارسازی سری زمانی
    رایگان 0:06:35
  • تعیین پارامتر هموارسازی نمایی به کمک ارزیابی متقابل
    0:07:34
  • تعیین پارامترهای مدل هولت – داده‌های دارای روند
    0:06:46
  • تعیین پارامترهای مدل هولت وینترز – داده‌های دارای روند و تغییرات فصلی
    0:11:28
  • ارزیابی مدل به کمک RMSE و MAPE
    0:02:37
  • هموار‌سازی نمایی در پایتون و پیش‌بینی سری زمانی
    0:03:49
  • مدل SSA برای تحلیل سری زمانی به صورت ناپارامتری در R
    0:12:33
  • تکنیک SSA برای پیش‌بینی سری زمانی در پایتون
    0:02:14
  • شبکه عصبی و پیش‌بینی سری زمانی در R
    رایگان 0:14:58
  • شبکه عصبی و پیش‌بینی سری زمانی در پایتون
    0:06:04

  • معرفی مجموعه داده و خصوصیات آن – بررسی داده‌های گمشده کتابخانه‌های مربوطه
    0:05:12
  • معرفی مجموعه داده و خصوصیات آن – بررسی داده‌های دورافتاده (پرت)
    0:06:20
  • پیش‌بینی سری زمانی برای داده‌های واقعی
    0:05:45
  • آزمون مربوط به برآوردهای مدل سری زمانی
    0:03:46
  • پیش‌بینی آینده سری زمانی طبق مدل‌های مختلف
    0:04:33
  • ارزیابی و صحت مدل ارائه شده بر اساس باقی‌مانده‌ها
    0:04:56
  • پیش‌بینی سری زمانی برای داده‌های واقعی در پایتون
    رایگان 0:06:54
  • معرفی کتابخانه‌های پرکاربرد R در سری زمانی
    0:01:56
  • معرفی کتابخانه‌های پرکاربرد پایتون در سری زمانی
    0:01:51

  • جمع‌بندی و نتیجه مباحث
    0:02:53
  • ادامه یادگیری
    0:04:11
  • دسترسی به آموزش‌های «ادامه یادگیری»
  • ادامه مسیر تا ورود به بازار کار

  • خلاصه و مرور آموزش
  • واژه‌نامه (Glossary)
  • سوالات متداول (FAQ)
  • مشاغل مرتبط
  • نمونه سئوالات مصاحبه شغلی

ارسال نظر شما

نظرات کاربران

نظرات کاربران

هنوز نظری ثبت نشده است.

2,490,000 تومان
119,000 تومان
95% تخفیف
ثبت‌نام در دوره
این دوره شامل:
10 فصل آموزشی
7 ساعت ساعت آموزش
دسترسی مادام‌العمر
سطح: مبتدی
گواهی پایان دوره: ندارد
تاریخ انتشار: 1403/12/09
آخرین به‌روزرسانی: 2026-10-29 14:33:30
تعداد امتیازها: 0
تعداد دانشجو:
خرید اقساطی: ندارد
ضمانت بازگشت وجه: ندارد
برچسب‌ها: