Trwają zapisy do grupy
Forecasting - Modelowanie szeregów czasowych z językiem Python
Uczestnicy szkolenia nabędą umiejętności modelowania szeregów czasowych przy użyciu najważniejszych metod statystycznych oraz technik uczenia maszynowego.
2550 PLN+23% VAT (3136 PLN brutto / 1 os.)Czas trwania szkolenia:3 dni (24h)
Poziom zaawansowania:
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
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