هنگام کار با داده‌ها، اغلب می‌خواهیم مدل‌هایی برای پیش‌بینی رویدادهای آینده ایجاد کنیم، اما همچنین می‌خواهیم درک عمیق‌تری از نحوه اتصال یا ساختار داده‌هایمان داشته باشیم. در این دوره، ارتباط داده ها را با استفاده از مدل سازی معادلات ساختاری (SEM) با زبان برنامه نویسی R با استفاده از بسته lavaan بررسی می کنید. SEM شما را با متغیرهای پنهان و آشکار و نحوه ایجاد مدل‌های اندازه‌گیری، ارزیابی دقت مدل اندازه‌گیری و رفع مدل‌های برازش ضعیف آشنا می‌کند. در طول دوره، مجموعه داده های کلاسیک SEM، مانند مجموعه داده های Holzinger و Swineford (1939) و Bollen (1989) را بررسی خواهید کرد. شما همچنین با استفاده از مقیاس هوش بزرگسالان وکسلر از طریق یک مطالعه موردی مدل چند عاملی کار خواهید کرد. پس از این دوره، می‌توانید در داده‌های خود غوطه‌ور شوید و درک عمیق‌تری از نحوه هماهنگی همه آنها با هم به دست آورید.

در این دوره، شما در برازش مدل‌های ARIMA به داده‌های سری زمانی با استفاده از R تبدیل به یک متخصص خواهید شد. ابتدا ماهیت داده‌های سری زمانی را با استفاده از ابزارهای موجود در بسته آماری R کشف خواهید کرد. در مرحله بعد، یاد می گیرید که چگونه مدل های مختلف ARMA را با داده های شبیه سازی شده (جایی که مدل صحیح را می شناسید) با استفاده از بسته R astsa تطبیق دهید. پس از تسلط بر اصول اولیه، یاد خواهید گرفت که چگونه مدل‌های ARMA یکپارچه یا مدل‌های ARIMA را با مجموعه‌های مختلف داده واقعی تطبیق دهید. شما یاد خواهید گرفت که چگونه اعتبار یک مدل ARIMA را بررسی کنید و یاد خواهید گرفت که چگونه داده های سری زمانی را پیش بینی کنید. در نهایت، نحوه تطبیق مدل‌های ARIMA را با داده‌های فصلی، از جمله پیش‌بینی با استفاده از بسته astsa، یاد خواهید گرفت.

آیا تا به حال سعی کرده اید آینده را پیش بینی کنید؟ آنچه در پیش است رازی است که معمولاً فقط با انتظار حل می شود. در این دوره، شما از انتظار دست می کشید و یاد می گیرید که از مدل های قدرتمند کلاس ARIMA برای پیش بینی آینده استفاده کنید. شما یاد خواهید گرفت که چگونه از بسته statsmodels برای تجزیه و تحلیل سری های زمانی، ساخت مدل های مناسب و پیش بینی در شرایط عدم قطعیت استفاده کنید. بازار سهام در 24 ساعت آینده چگونه حرکت می کند؟ سطوح CO2 در دهه آینده چگونه تغییر خواهد کرد؟ سال آینده چند زلزله خواهد بود؟ شما یاد خواهید گرفت که همه این مشکلات و موارد دیگر را حل کنید.

آیا در مورد ریتم ضربان قلب بازار مالی کنجکاو هستید؟ آیا می خواهید بدانید چه زمانی یک بازار باثبات آشفته می شود؟ در این دوره در مورد مدل‌های GARCH، رویکرد آینده‌نگر برای متعادل کردن ریسک و پاداش در تصمیم‌گیری مالی را خواهید آموخت. این دوره به تدریج از مدل استاندارد GARCH (1،1) به مدل های نوسانات پیشرفته تر با اثر اهرمی، مشخصات GARCH-in-mean و استفاده از توزیع t دانشجویی برای مدل سازی بازده دارایی حرکت می کند. کاربردهای مربوط به بازده سهام و نرخ ارز شامل بهینه‌سازی پرتفوی، ارزیابی پیش‌بینی نمونه متحرک، پیش‌بینی ارزش در معرض خطر و مطالعه کوواریانس‌های پویا است.

نوسانات یک مفهوم اساسی در امور مالی است، به همین دلیل است که مدل‌های GARCH در پایتون یک انتخاب محبوب برای پیش‌بینی تغییرات واریانس هستند، به‌ویژه هنگام کار با داده‌های سری زمانی که وابسته به زمان هستند. این دوره به شما نشان می دهد که چگونه و چه زمانی مدل های GARCH را پیاده سازی کنید، چگونه مفروضات مدل را مشخص کنید، و چگونه می توانید پیش بینی نوسانات را انجام دهید و عملکرد مدل را ارزیابی کنید. با استفاده از داده‌های دنیای واقعی، از جمله قیمت‌های تاریخی سهام تسلا، از طریق محاسبات ارزش در معرض خطر، کوواریانس و بتا سهام، تجربه عملی در مورد چگونگی کمی کردن بهتر ریسک‌های پرتفوی به دست خواهید آورد. همچنین آنچه را که آموخته‌اید در طیف گسترده‌ای از دارایی‌ها، از جمله سهام، شاخص‌ها، ارزهای دیجیتال و ارزهای خارجی به کار می‌گیرید و شما را آماده می‌کند تا از مدل‌های GARCH استفاده کنید.

تقریباً هر شرکتی اطلاعات دیجیتال را به عنوان بخشی از کمپین های بازاریابی خود جمع آوری می کند و از آن برای بهبود تاکتیک های بازاریابی خود استفاده می کند. دانشمندان داده اغلب وظیفه دارند از این اطلاعات برای توسعه مدل‌های آماری استفاده کنند که متخصصان بازاریابی را قادر می‌سازد تا ببینند آیا اقدامات آنها نتیجه داده است یا خیر. در این دوره آموزشی، یاد خواهید گرفت که چگونه با ساختن مدل های ساده پاسخ بازار، الگوهای اقدامات بازاریابی و واکنش های مشتری را کشف کنید. به طور خاص، یاد خواهید گرفت که چگونه تأثیر متغیرهای بازاریابی، مانند قیمت و تاکتیک‌های تبلیغاتی مختلف را با استفاده از کل فروش و داده‌های انتخاب در سطح فردی، کمی کنید.