Plan Szkolenia

Wprowadzenie do analizy szeregów czasowych

  • Przegląd danych szeregów czasowych
  • Składowe szeregów czasowych: trend, sezonowość, szum
  • Konfiguracja Google Colab do analizy szeregów czasowych

Eksploracyjna analiza danych dla szeregów czasowych

  • Wizualizacja danych szeregów czasowych
  • Dekompozycja składowych szeregów czasowych
  • Wykrywanie sezonowości i trendów

Modele ARIMA do prognozowania szeregów czasowych

  • Zrozumienie ARIMA (AutoRegressive Integrated Moving Average)
  • Wybór parametrów dla modeli ARIMA
  • Implementacja modeli ARIMA w Pythonie

Wprowadzenie do Prophet do prognozowania szeregów czasowych

  • Przegląd Prophet do prognozowania szeregów czasowych
  • Implementacja modeli Prophet w Google Colab
  • Uwzględnianie świąt i specjalnych wydarzeń w prognozowaniu

Zaawansowane techniki prognozowania

  • Obsługa brakujących danych w szeregach czasowych
  • Prognozowanie wielowymiarowych szeregów czasowych
  • Dostosowywanie prognoz z wykorzystaniem regresorów zewnętrznych

Ocena i dostrajanie modeli prognozowania

  • Metryki wydajności dla prognozowania szeregów czasowych
  • Dostrajanie modeli ARIMA i Prophet
  • Walidacja krzyżowa i backtesting

Praktyczne zastosowania analizy szeregów czasowych

  • Studia przypadków prognozowania szeregów czasowych
  • Praktyczne ćwiczenia z rzeczywistymi zbiorami danych
  • Kolejne kroki w analizie szeregów czasowych w Pythonie

Podsumowanie i kolejne kroki

Wymagania

  • Średniozaawansowana znajomość programowania w Pythonie
  • Znajomość podstaw statystyki i technik analizy danych

Grupa docelowa

  • Analitycy danych
  • Data scientists
  • Profesjonaliści pracujący z danymi szeregów czasowych
 21 godzin

Liczba uczestników


Cena za uczestnika

Opinie uczestników (4)

Propozycje terminów

Powiązane Kategorie