عن الدورة
إذا كانت لديك أسئلة محددة حول هذه الدورة، يُرجى التواصل معنا عبر البريد: [email protected]. السلسلة الزمنية هي مجموعة من الملاحظات الموثقة بزمن (Time-stamped) تكون عادةً مشوشة بالضجيج، وتصدر عن عملية كامنة تتطور مع مرور الوقت. تتميز هذه الملاحظات بأنها مترابطة فيما بينها بطريقة معينة لكنها غير معروفة مسبقًا. من أمثلة السلاسل الزمنية: أسعار الأسهم، قيمة العملة مقابل الدولار، متوسط أسعار المساكن، عدد إصابات كوفيد-19، أو زاوية ميلان طائرة أثناء الرحلات. يُعد نمذجة هذه العمليات بهدف التنبؤ أو تنفيذ تدخلات/تحكمات (Interventions) مشكلة أساسية في التعلم الإحصائي. تقدم هذه الدورة، على مستوى الدراسات العليا وضمن برنامج MITx MicroMasters في الإحصاء وعلوم البيانات، مدخلًا معمقًا لتحليل السلاسل الزمنية يجمع بين بناء النماذج، التنبؤ، واتخاذ القرار. تركز الدورة على ثلاثة مسارات تطوير رئيسية. أولًا: تعلم النماذج المنظمة (Learning Structured Models)، حيث يتم التركيز على تعلم النموذج الديناميكي العشوائي الكامن الذي يولّد البيانات. كما تتناول الدورة أدوات عملية لتحليل السلاسل الزمنية من منظور الأنظمة الخطية ثابتة الزمن (LTI) والتحليل الطيفي، إضافة إلى نمذجة السلاسل باستخدام عمليات ARMA والعمليات المتكاملة. وتغطي كذلك مهام التنبؤ والاستكمال (Imputation) لبيانات سلاسل زمنية عامة باستخدام أساليب إكمال المصفوفات (Matrix Completion)، ثم الانتقال إلى خوارزميات البرمجة الديناميكية والتعلم المعزز لتحسين التحكم والتدخلات في السلاسل الزمنية عبر سيناريوهات تطبيقية ومشاريع عملية.
ماذا ستتعلم
- تحليل السلاسل الزمنية من منظور أنظمة خطية ثابتة الزمن (LTI) واستخدام أدوات مثل التحليل الطيفي
- نمذجة السلاسل الزمنية باستخدام نماذج المتوسط المتحرك والانحدار الذاتي (ARMA) والعمليات المتكاملة
- إجراء التنبؤ والاستكمال (Imputation) لبيانات سلاسل زمنية عامة باستخدام أساليب إكمال المصفوفات
- استخدام خوارزميات متنوعة من البرمجة الديناميكية والتعلم المعزز لتحسين التحكم والتدخلات في السلاسل الزمنية
المتطلبات المسبقة
- برمجة بايثون على مستوى المرحلة الجامعية
- التفاضل والتكامل متعدد المتغيرات والجبر الخطي على مستوى المرحلة الجامعية
- نظرية الاحتمالات والإحصاء على مستوى المرحلة الجامعية
المدرسون
Munther Dahleh
William A. Coolidge Professor, Department of Electrical Engineering and Computer Science (EECS); Founding Director, Institute for Data, Systems, and Society (IDSS)
Devavrat Shah
Andrew (1956) and Erna Viterbi Professor, Department of Electrical Engineering and Computer Science (EECS); Director, MicroMasters Program in Statistics and Data Science
Mardavij Roozbehani
Principal Research Scientist, Laboratory for Information and Decision Systems (LIDS)
Karene Chu
Digital Learning Scientist and Research Scientist