تحلیل سری‌های زمانی

Time Series Analysis

مقطع: تحصیلات تکمیلی گرایش: علم داده
نوع درس: نظری تعداد واحد: ۳
پیش‌نیاز: – هم‌نیاز: –

هدف کلی

بسیاری از نیازمندی‌های دنیای واقعی را می‌توان به صورت فرآیندهای تصادفی مدل‌سازی کرد. در این مسائل، انواع تحلیل، مانند توصیف، پیش‌بینی کمک شایانی به تصمیم‌گیری‌های هوشمند می‌کند. در این درس، با انواع سری‌های زمانی و کاربردهای آن و همینطور تحلیل‌های مرتبط آشنا می‌شویم.

سرفصل‌ها

  1. مرور آمار و احتمال و فرآیندهای تصادفی
  2. مقدمات سری‌های زمانی (مدل‌های اولیه و تابع خودهمبستگی)
  3. آشنایی با مدل‌های متوسط متحرک خود رگرسیون (ARMA) و ARIMA
  4. مدل‌های فصلی (seasonal)، روش‌های نرم کردن (smoothing) و تجزیه (Decomposition)
  5. تحلیل مداخله (Intervention Analysis)
  6. تحلیل داده‌های Longitudinal
  7. مدل‌های خود رگرسیون برداری و مدل ARCH
  8. روش‌های تحلیل غیرپارامتری و تخمین طیفی توزیع
  9. مدل‌های حافظه‌دار ARIMA
  10. روش‌های یادگیری ماشین مرتبط (مانند CNN، LSTM و ترنسفرمرها)

ارزیابی پیشنهادی

منابع پیشنهادی

  1. R. H. Shumway and D. S. Stoffer. Time Series Analysis and Its Applications With R Examples. 4th Edition, Springer, 2012.