Návrh Školení

ARIMA Modely pro Časové Řady Forecasting

Pokročilé Forecasting Techniky

Evaluační a Vylepšovací Metody Pro Prediktivní Modely

Průzkumná Analyza Data Analysis pro Časové Řady

Úvod do Prophetu pro Časové Řady Forecasting

Úvod do Analýzy Časových Řad

Skutečné Aplikace Analýzy Časových Řad

Přehled a Další Kroky

  • Praktické případové studie časového predikce
  • Praktické cvičení s reálnými datasety
  • Další kroky pro analýzu časových řad v Python
  • Zpracování chybějících dat v časových řadách
  • Multivariantní predikce časových řad
  • Vylepšení predikcí pomocí externích regresorů
  • Přehled Prophetu pro predikci časových řad
  • Implementace modelů Prophet v Google Colab
  • Zpracování svátků a speciálních událostí při predikci
  • Přehled dat časových řad
  • Složky časového řádu: trend, sezónnost, šum
  • Nastavení Google Colab pro analýzu časových řad
  • Výkonnostní metriky pro predikci časových řad
  • Vylepšení modelů ARIMA a Prophet
  • Křížová validace a backtesting
  • Rozumění ARIMA (AutoRegressive Integrated Moving Average)
  • Volba parametrů pro modely ARIMA
  • Implementace modelů ARIMA v Python
  • Vizualizace dat časových řad
  • Dekompozice složek časového řádu
  • Detekce sezónnosti a trendů

Požadavky

Audience

  • Analýtoři dat
  • Vědecí o datech
  • Odborníci pracující s časovými řadami dat
  • Střední znalosti programování v Python
  • Znalost základů statistiky a technologií analýzy dat
 21 hodiny

Počet účastníků


Price per participant

Reference (5)

Upcoming Courses

Související kategorie