دوره آموزشی پایتون عملی برای تحلیل سری‌های زمانی

داده‌های سری زمانی (Time Series) نقش حیاتی در تصمیم‌گیری‌های حوزه‌های مالی، انرژی و اقتصاد دارن، اما برای کار باهاشون نیاز به مهارت‌های تخصصی هست. تو این دوره، Jesús López، مشاور داده و معمار راهکارهای Full-Stack، روش‌های عملی Python رو بهت یاد می‌ده و ترکیبی از مهندسی نرم‌افزار و تحلیل آماری رو با استفاده از pandas، statsmodels و plotly ارائه می‌کنه.

با داده‌های واقعی از Federal Reserve (FRED)، بازارهای انرژی PJM و داده‌های مالی کار می‌کنیم تا مهارت‌های ضروری مثل ادغام مجموعه داده‌های زمانی با فرکانس‌های متفاوت، تجمیع داده‌ها با groupby، ساخت Pivot Table برای مقایسه و Resampling مطابق نیاز تحلیل رو یاد بگیری.

دوره همچنین شامل تحلیل رگرسیون سری‌های زمانی هست: نحوه Fit کردن مدل‌های OLS، محاسبه R-squared از صفر برای فهم کیفیت مدل، تشخیص Autocorrelation با تست Durbin-Watson و استفاده از HAC Standard Errors برای اصلاح اهمیت بیش‌برآورد شده. علاوه بر این، یاد می‌گیری چطور Temporal Discretization و مدل‌سازی مخصوص Regime، قدرت توضیحی مدل‌ها رو در دوره‌هایی که روابط اقتصادی تغییر می‌کنن، بهبود می‌ده.

تمام تکنیک‌ها با مثال‌های عملی در زمینه تولید انرژی، شاخص‌های اقتصادی و داده‌های بورس آموزش داده می‌شن تا مهارت‌های کاربردی برای داده‌های سری زمانی به دست بیاری و بتونی بلافاصله تو پروژه‌ها ازشون استفاده کنی.

اهداف یادگیری
پیش‌پردازش داده‌های سری زمانی و ایجاد Visualizations برای نمایش الگوها و ناهنجاری‌ها در ابعاد زمانی مثل دقیقه، ساعت، روز هفته و ماه
تحلیل و تجزیه سری‌های زمانی به اجزای Trend، Seasonal و Irregular برای شناسایی محرک‌های اصلی
استفاده از Differencing و تکنیک‌های دیگر برای کشف روابط پنهان و کاهش عوامل مختل‌کننده در تحلیل‌های علی
به‌کارگیری مدل‌های آماری شامل رگرسیون و تحلیل همبستگی برای کمی‌سازی روابط و آزمون فرضیات علی
تفسیر نمودارهای Autocorrelation و Partial Autocorrelation (ACF/PACF) برای شناسایی وابستگی‌های زمانی و مسیرهای احتمالی علی
ارتباط‌دهی شفاف و قابل‌فهم نتایج داده‌های سری زمانی برای پشتیبانی از تصمیمات داده‌محور