Trwają zapisy do grupy

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)

Poziom zaawansowania:

Kod kursu:TS/ML

Dostępne terminy szkolenia

  • Termin
  • Trener
  • Cena
  • Zapis
  • Lokalizacja

Termin:

24 marca
Trwają zapisy na szkolenie

Trener:

Trener-Sages

Cena:

3350 PLN netto
Ikona podpowiedziDowiedz się więcej o cenach szkoleń - zapraszamy do kontaktu
+23% VAT

Lokalizacja:

Zdalne
Zdalne
Ikona podpowiedziZapytaj o inne lokalizacje - w tym celu skorzystaj z chatu

Forma szkolenia

Interesuje Cię szkolenie stacjonarne?

Powiadom o kolejnych terminach

Interesuje Cię szkolenie w innym terminie?

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

Pobierz program w PDF

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

Autorem szkolenia jest Norbert Ryciak

Data Scientist w SigDelta. Od lat zajmuje się uczeniem maszynowym, a specjalizuje się w obszarze przetwarzania języka naturalnego i sztucznych sieciach neuronowych (deep learning. W 2015 roku ukończył z wyróżnieniem matematykę na Politechnice Warszawskiej o specjalizacji Statystyka Matematyczna i Analiza Danych. Kontynuował rozwój na doktoracie, w ramach którego prowadził badania nad metodami głębokiego uczenia w zastosowaniach związanych z przetwarzaniem tekstów - rozpoznawaniem wydźwięku i analizą…