Plan Szkolenia

Modele ARIMA dla szeregów czasowych Forecasting

Zaawansowane Forecasting techniki

Ocenianie i dostrajanie modeli prognozowych

Eksploracyjne Data Analysis dla szeregów czasowych

Wprowadzenie do Prophet dla szeregów czasowych Forecasting

Wprowadzenie do analizy szeregów czasowych

Zastosowania analizy szeregów czasowych w rzeczywistym świecie

Podsumowanie i kolejne kroki

  • Studium przypadków prognozowania szeregów czasowych
  • Ćwiczenia praktyczne z rzeczywistymi zbiorami danych
  • Kolejne kroki w analizie szeregów czasowych w Python
  • Obsługa brakujących danych w szeregach czasowych
  • Wielowymiarowe prognozowanie szeregów czasowych
  • Dostosowywanie prognoz za pomocą zewnętrznych regresorów
  • Przegląd Prophet w prognozowaniu szeregów czasowych
  • Wdrażanie modeli Prophet w Google Colab
  • Obsługa świąt i wydarzeń specjalnych w prognozowaniu
  • Przegląd danych szeregów czasowych
  • Składniki szeregów czasowych: trend, sezonowość, szum
  • Konfiguracja Google Colab do analizy szeregów czasowych
  • Wskaźniki wydajności prognozowania szeregów czasowych
  • Dostrajanie modeli ARIMA i Prophet
  • Walidacja krzyżowa i backtesting
  • Zrozumienie ARIMA (AutoRegressive Integrated Moving Average)
  • Wybieranie parametrów dla modeli ARIMA
  • Wdrażanie modeli ARIMA w Python
  • Wizualizacja danych szeregów czasowych
  • Rozłożenie składników szeregów czasowych
  • Wykrywanie sezonowości i trendów

Wymagania

Odbiorcy

  • Analitycy danych
  • Naukowcy danych
  • Specjaliści pracujący z danymi czasowymi
  • Pośrednia znajomość programowania w Python
  • Zapoznanie z podstawowymi technikami statystycznymi i analizy danych
 21 godzin

Liczba uczestników


cena netto za uczestnika

Opinie uczestników (5)

Propozycje terminów

Powiązane Kategorie