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
   • انواع و ویژگی‌های سری‌های زمانی
   • مدل‌سازی‌های اولیه
   • مدل‌های مرتبه اول خود رگرسیون
   • تابع خودهمبستگی (ACF)
   • تابع خودهمبستگی پاره‌ای (PACF)
3. آشنایی با مدل‌های متوسط متحرک خود رگرسیون (ARMA)
4. مدل Box-Jenkins یا ARIMA
5. مدل‌های فصلی (seasonal)
   • تفاوت بین فصلی بودن و روند داشتن
   • مدل ARIMA فصلی
6. روش‌های نرم کردن و تجزیه (Decomposition)
7. تشخیص پریود‌های اصلی سری زمانی به کمک Periodogram
8. رگرسیون به کمک خطای مدل ARIMA ‍و تابع Cross Correlation یا CCF
9. پیش سفید کردن (Pre-whitening)
10. تحلیل مداخله (Intervention Analysis)
11. تحلیل داده‌های Longitudinal
12. مدل‌های خود رگرسیون برداری و مدل ARCH
13. روش‌های تحلیل غیرپارامتری و تخمین طیفی توزیع
14. مدل‌های حافظه‌دار ARIMA
15. روش‌های یادگیری ماشین
    • روش CNN
    • روش LSTM
    • روش‌های مبتنی بر یادگیری تقویتی

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