Szkolenie: Forecasting - Modelowanie szeregów czasowych z językiem Python
Uczestnicy szkolenia nabędą umiejętności modelowania szeregów czasowych przy użyciu najważniejszych metod statystycznych oraz technik uczenia maszynowego.
- Trenerzy praktycy
- Kameralne grupy
Czas trwania szkolenia:3 dni (24h)
Kod kursu:TS/ML
Forecasting - Modelowanie szeregów czasowych z językiem Python
Cele szkolenia
Zrozumienie podstawowych pojęć związanych z szeregami czasowymi, w tym stacjonarności, sezonowości i różnicowania i metodologii pracy z nimi
Nauka budowania i stosowania najważniejszych statystycznych modeli szeregów czasowych
Zdobycie wiedzy na temat sposobu stosowania klasycznych algorytmów uczenia maszynowego w modelowaniu szeregów czasowych oraz praktycznych technik inżynierii cech
Nauka łączenia modeli statystycznych z algorytmami uczenia maszynowego w celu zwiększania skuteczności predykcji
Dla kogo?
Analityków danych, którzy chcą rozpocząć pracę z szeregami czasowymi
Specjalistów data science, którzy chcą rozszerzyć swoje kompetencje w obszarze modelowania szeregów czasowych
Zalety
Szeroki zakres tematyczny obejmujący zarówno klasyczne metody statystyczne, jak i techniki uczenia maszynowego
Dokładnie poznanie najważniejszych używanych w praktyce metod
Praktyczne podejście do nauki poprzez ćwiczenia i przykłady na różnych problemach
Wykorzystanie Pythona, jednego z najpopularniejszych języków programowania w analizie danych
Wymagania
Podstawowa znajomość języka Python pozwalająca na swobodne pisanie prostego kodu
Ogólna wiedza z zakresu matematyki i statystyki
W cenie otrzymasz:
Materiały szkoleniowe
Certyfikat ukończenia szkolenia
W przypadku szkolenia w trybie stacjonarnym zapewnimy Ci również lunch oraz sprzęt niezbędny do nauki
Program szkolenia
Wprowadzenie do modelowania szeregów czasowych
Definicje podstawowych pojęć: stacjonarność, sezonowość, różnicowanie
Różne podejścia do modelowania szeregów
Metodologia pracy z szeregami czasowymi
Metodologia ewaluacji jakości predykcji
Cele i założenia biznesowe w modelowaniu szeregów
Statystyczne modele szeregów czasowych
Dekompozycja szeregu
Wygładzanie wykładnicze
Autokorelacje i częściowe autokorelacje
Modelowanie autoregresyjne
Model ARIMA i jego rozszerzenia (SARIMA, SARIMAX)
Transformacje danych poprawiające dopasowanie modeli
Dobór hiperparametrów modeli
Model predykcyjny Prophet
Modelowanie wartości szeregu jako funkcja czasu - mechanizm działania, zalety i ograniczenia tego podejścia
Mechanizm uwzględniania świąt i anomali
Dostrajanie elastyczności modelu
Automatyczne wykrywanie punktów zmiany trendu
Uczenie maszynowe w predykcji szeregów czasowych
Mechanizm działania klasycznych algorytmów uczenia maszynowego
Definicja zmiennej celu
Praktyczna inżynieria cech szeregu czasowego na potrzeby algorytmów uczenia maszynowego
Łączenie modeli statystycznych i algorytmów uczenia maszynowego