Time Series Forecasting Using Python - eLearning
3.500,00 DKK
- 10 hours
Få et solidt fundament i at forudsige fremtidige tendenser med kurset i tidsserieprognoser, der er designet til at hjælpe dig med at omsætte historiske data til præcise forudsigelser. Dette kursus introducerer grundlæggende statistiske og maskinlæringsteknikker, der bruges til at analysere tidsbaserede data og afdække mønstre som trends, sæsonvariationer og cykler.
Nøglefunktioner
Sprog
Kursus og materiale på engelsk
Niveau
Begynderniveau
Adgang
1 års adgang til læringsplatformen
5 timers on-demand videoer
med over 10 timers anbefalet studietid
25 praktiske øvelser
2 omfattende opgaver
Certifikat
Certifikat for gennemført program medfølger
Læringsudbytte
Når du har gennemført dette kursus, vil du være i stand til at forstå:
Kernebegreber
Mestre de centrale begreber inden for tidsrækkeanalyse, herunder dens komponenter og stationaritet
Teknikker
Udforsk multivariate prognoseteknikker såsom SARIMAX- og VAR-modeller
Brug Facebook Prophet til hurtig og præcis tidsrækkeprognose
Vurder
Vurder modelydelse ved hjælp af nøglemetrikker for at måle nøjagtighed og pålidelighed
Analysér
Analyser virkelige tidsseriedata ved hjælp af Yahoo Finance API for at udlede meningsfulde finansielle indsigter
Kursusforløb
Begrebet tidsrækker og deres komponenter
Lektion 01
- Begrebet og nødvendigheden af tidsserieanalyse
- Granularitet, frekvens og horisont i tidsserieanalyse
- Udtræk af data med Yahoo Finance
- Tidsseriens komponenter: niveau, trend, sæson, cyklikalitet og støj
- Håndtering af manglende værdier og outliers i tidsserier
- Additiv og multiplikativ dekomposition
Håndtering af stationaritet
Lektion 02
- Hvid støj
- Tilfældig vandring
- Begrebet stationaritet
- Registrering og håndtering af stationaritet
- Statistisk test til at påvise stationaritet: KPSS vs. ADF-test
- Granger-kausalitetstest
- Anomali-detektion med Isolation Forest
Stationaritet og lag-identifikation
Lektion 03
- Autokorrelation og korrelation
- Granger-kausalitetstest
- Autokorrelationsfunktion (ACF)
- Partiel autokorrelationsfunktion (PACF)
- Identifikation af lag ved hjælp af ACF og PACF
Grundlæggende tidsseriemodeller
Lektion 04
- Naiv metode
- Simpel gennemsnitsmetode, glidende gennemsnit (MA)‑model
- Kørsel af forudsigelse med MA-model
- Autoregressiv model (AR)
- Kørsel af forudsigelse med AR-model
- Holt-Winters eksponentiel udjævning
- Simpel eksponentiel udjævning
- Dobbelt eksponentiel udjævning
Resultatmåling
Lektion 05
- Ydelsesmålinger til tidsrækkeanalyse
- Registrering af modellernes ydeevne
- Sammenlign modellernes ydeevne
Avancerede tidsseriemodeller
Lektion 06
- Autoregressiv glidende gennemsnitsmodel (ARMA-model)
- Kørsel af forudsigelse med ARMA-model
- Autoregressiv integreret glidende gennemsnitsmodel (ARIMA-model)
- Kørsel af prognoser med ARIMA
- Sæsonbestemt autoregressiv integreret glidende gennemsnitsmodel (SARIMA-model)
- Køre forudsigelse med SARIMA
Multivariat tidsrækkeanalyse
Lektion 07
- Begrebet endogene og eksogene variable
- Introduktion til SARIMAX: En kort teoretisk baggrund
- Modellering med SARIMAX
- Kørsel af forudsigelse med SARIMAX
- Introduktion til VAR
- Modelering med VAR
- Kørsel af prognose med VAR
Tidsrækkeprognoser med Facebook Prophet
Lektion 08
- Profetens fremkomst
- Vigtigste parametre i Prophet
- Modellering med Prophet
- Køre forudsigelser med Prophet
Hvem bør tilmelde sig dette program?
Ambitiøse dataforskere og dataanalytikere
Forretningsanalytikere, der arbejder med salgs-, finans- eller driftsdata
Softwareingeniører, der skifter til data science-roller
Fagfolk, der arbejder med efterspørgselsplanlægning eller forecasting
Alle, der er interesserede i prædiktiv analyse og tidsbaserede data
Studerende og nyuddannede, der udforsker karrierer inden for analytics eller AI
Forudsætninger
- Grundlæggende forståelse af statistik og sandsynlighed
- Kendskab til Python eller et hvilket som helst programmeringssprog (foretrækkes, men er ikke obligatorisk)
- Grundlæggende kendskab til datahåndtering eller Excel
- Analytiske og logiske tænkeevner
- Der kræves ingen avanceret erfaring med prognoser.
Udtalelser
Licensering og akkreditering
Dette kursus tilbydes i henhold til Partnerprogramaftalen og overholder kravene i licensaftalen
Lighedspolitik
Kandidater opfordres til at kontakte AVC for vejledning og støtte gennem hele processen med tilpasning af arbejdsforhold.
Ofte stillede spørgsmål
Har du brug for virksomhedsløsninger eller LMS-integration?
Fandt du ikke kurset eller programmet, der ville være til gavn for din virksomhed? Har du brug for LMS-integration? Skriv til os, vi løser alt!