×

آموزش روش های پارامتریک و غیر پارامتریک حذف گرایش یا Trend از سری های زمانی - (رایگان)

آموزش روش های پارامتریک و غیر پارامتریک حذف گرایش یا Trend از سری های زمانی - (رایگان)

مدت زمان
۴۸ دقیقه
هزینه آموزش
رایگان!
۱ بازخورد (مشاهده نظرات)
آموزش روش های پارامتریک و غیر پارامتریک حذف گرایش یا Trend از سری های زمانی - (رایگان)

چکیده

در این فرادرس، دانشجویان عزیز، با روش های پارامتریک و غیر پارامتریک حذف گرایش یا Trend از سری های زمانی آشنا می شوند. سرفصل هایی که در این آموزش به آن پرداخته می شود، نحوه تجزیه اطلاعات یک سری زمانی به مولفه اصلی (Trend)، فصلی (Seasonal) و بی قاعده (Irregular) و ... است. نقطه قوت این آموزش این است که به طور کامل به توضیح روش های پارامتریک و غیر پارامتریک حذف گرایش یا Trend از سری های زمانی پرداخته شده است و آموزش توسط یکی از بهترین مدرسین متخصص در این زمینه، انجام شده است.

آموزش روش های پارامتریک و غیر پارامتریک حذف گرایش یا Trend از سری های زمانی - (رایگان)

مدت زمان
۴۸ دقیقه
هزینه آموزش
رایگان!
۱ بازخورد (مشاهده نظرات)
مدرس
دکتر سید مصطفی کلامی هریس

دکتری تخصصی مهندسی برق - کنترل

دکتر سید مصطفی کلامی هریس یکی از بنیانگذاران و مدیران کنونی فرادرس و از اعضای هیات علمی آن است. ایشان دارای مدرک دکترای تخصصی در رشته مهندسی برق - کنترل، از دانشگاه صنعتی خواجه نصیرالدین طوسی (قطب علمی کنترل صنعتی) هستند و زمینه های پژوهشی و کاری تخصصی ایشان، در حوزه های مختلف مهندسی کنترل و سیستم های هوشمند بوده است.

توضیحات تکمیلی

فیلم آموزشی روش های پارامتریک و غیر پارامتریک حذف گرایش یا Trend از سری های زمانی، که برای دانلود رایگان و توسط فرادرس منتشر شده است، بخشی از کارگاه تخصصی پیش بینی سری های زمانی و اقتصادسنجی در متلب است، که در آذر ماه 1393، با همکار پژوهشکده آمار و فرادرس برگزار شده است. مدرس این کارگاه آموزش، دکتر سیدمصطفی کلامی هریس، فارغ التحصیل دکترای مهندسی کنترل، از دانشگاه صنعتی خواجه نصیر است، که تاکنون تجربه برگزاری ده ها کارگاه آموزشی در کنفرانس ها، همایش های علمی و سازمان ها را داشته است، و بیش از ۳۰۰ ساعت برنامه آموزشی تخصصی در فرادرس، توسط ایشان ارائه شده است.

در این فیلم آموزشی، در خصوص تجزیه یک سری زمانی به زیر مولفه های تشکیل دهنده آن، بحث شده است و با رویکردهای پارامتریک و غیر پارامتریک، سعی شده است که مولفه اصلی (گرایش یا Trend) موجود در اطلاعات سری زمانی، جداسازی شود، تا تحلیل سری زمانی، راحت تر پیش برود. در مدل مورد استفاده، فرض شده است که هر سری زمانی را، بتوانیم به یک مولفه معین و غیر فصلی (گرایش)، مولفه معین و فصلی، و بخش نامعین و بی قاعده تجزیه کنیم. روش های پارامتریک (با رویکرد کمترین مربعات خطا یا Least Squares) و روش های غیر پارامتریک (با رویکرد فیلتر میانگین متحرک یا Moving Average)، در این فیلم آموزش معرفی، و سپس در محیط متلب، پیاده شده اند.

فهرست سرفصل ها و مباحث مطرح شده در این مجموعه آموزشی، در ادامه آمده اند:
  • نحوه تجزیه اطلاعات یک سری زمانی به مولفه اصلی (Trend)، فصلی (Seasonal) و بی قاعده (Irregular)
  • معرفی مدل های مختلف تجزیه شامل: جمع شونده، ضرب شونده و جمع شونده لگاریتمی
  • بررسی شیوه انجام تجزیه یک سری زمانی
  • استفاده از روش های غیر پارامتریک برای تخمین مولفه های یک سیگنال
  • معرفی فیلتر میانگین متحرک یا Moving Average Filter به عنوان یک فیلتر پایین گذر
  • نحوه پیاده سازی فیلتر میانگین متحرک یا MA در متلب
  • تنظیمات مناسب برای حذف مولفه های گرایش فصلی (با دوره تناوب ماهانه یا فصلی)
  • استفاده از تابع conv (کانولوشن) برای پیاده سازی فیلتر میانگین متحرک
  • اعمال فیلتر میانگین متحرک بر روی داده های به دست آمده از آمار مسافران در یکی از خطوط هوایی
  • بررسی تئوریک روش کمترین مربعات یا Least Squares برای مدل سازی
  • تبدیل مساله مدل سازی مولفه گرایش اصلی به یک مساله مدل سازی کمترین مربعات
  • مدل سازی گرایش اصلی آمار تصادفات جاده ای به صورت یک تابع درجه دو از زمان
  • تعمیم روش کمترین مربعات به استفاده از رگرسیون های غیر خطی و عمومی
  • پیاده سازی گام به گام همه الگوریتم های مطرح شده در محیط متلب
مشاهده بیشتر مشاهده کمتر


مشاهده آموزش

آموزش روش های پارامتریک و غیر پارامتریک حذف گرایش یا Trend از سری های زمانی

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید (دانلود پیش‌نمایش - حجم: ۱۵۹ مگابایت -- (کلیک کنید +))


اطلاعات تکمیلی

نام آموزش آموزش روش های پارامتریک و غیر پارامتریک حذف گرایش یا Trend از سری های زمانی - (رایگان)
ناشر فرادرس
کد آموزش FWEC9309S3
مدت زمان ۴۸ دقیقه
زبان فارسی
نوع آموزش آموزش ویدئویی (لینک دانلود)
حجم دانلود ۱۵۹ مگابایت (کیفیت ویدئو HD‌ با فشرده سازی انحصاری فرادرس)


نظرات

میثاق
میثاق

فقط میتونم بگم سپاس
پاسخ به نظر



برچسب‌ها:
Dtrending | Econometrics | Econometrics in MATLAB | Irregular | Least Seuares | Least Squares | Moving Average | Moving Average Filter | Seasonal | Time series analysis | Time series prediction | Trend | آماده سازی سری زمانی | بررسی داده های تصادفات جاده ای | بررسی داده های مسافرین خطوط هوایی | بی قاعده | پردازش سیگنال، پیش پردازش سری زمانی | تابع conv | تجزیه سری های زمانی | تحلیل سری زمانی‬ | تخمین پارامتریک | تخمین غیر پارامتریک | حذف Trend | حذف گرایش | رگرسور | رگرسورهای غیر خطی | روش های پارامتریک حذف گرایش‬ | روش های غیر پارامتریک حذف گرایش‬ | سری های زمانی | فیلتر MA | فیلتر پایین گذر | فیلتر میانگین متحرک | کانولوشن | کمترین مربعات | مدل سازی با کمترین مربعات خطا | مولفه بی قاعده | مولفه فصلی | مولفه گرایش | میانگین متحرک
مشاهده بیشتر مشاهده کمتر