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.

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)

• تمرین‌های نظری: ۳ نمره
• آزمون‌های میان‌ترم و پایانی: ۱۵ نمره
• آزمونک‌ها: ۲ نمره