Time Series Forecasting Using Python - eLearning

Time Series Forecasting Using Python - eLearning

Få en solid grund i att prognostisera framtida trender med kursen ”Prognoser för tidsserier”, som är utformad för att hjälpa dig att omvandla historiska data till exakta prognoser. Kursen ger en introduktion till viktiga statistiska metoder och tekniker inom maskininlärning som används för att analysera tidsbaserade data och upptäcka mönster såsom trender, säsongsvariationer och cykler.

Du kommer att utforska vanliga prognosmodeller som ARIMA, exponentiell utjämning och regressionsbaserade metoder, tillsammans med moderna tekniker för att förbättra prognosernas noggrannhet. Kursen belyser också praktiska tillämpningar inom olika branscher, såsom finans, efterfrågeplanering och affärsanalys.

När du har slutfört programmet kommer du att kunna bygga, utvärdera och tillämpa tidsseriemodeller för att lösa verkliga prognosproblem och stödja datadrivet beslutsfattande.

Viktiga funktioner

• Kurs och material på engelska
• Nybörjarnivå
• 5 timmar med on-demand-videor
• 25 praktiska övningar
• 2 omfattande uppgifter
• 10+ timmars rekommenderad studietid
• 1 års tillgång till lärplattformen
• Certifikat för avslutad kurs ingår

Lärandemål

• Behärska de centrala begreppen inom tidsserieanalys, inklusive dess komponenter och stationaritet

Utforska multivariata prognosmetoder såsom SARIMAX- och VAR-modeller

Använd Facebook Prophet för snabba och exakta tidsserieprognoser

Utvärdera modellens prestanda med hjälp av nyckeltal för att mäta noggrannhet och tillförlitlighet

Analysera verkliga tidsseriedata med hjälp av Yahoo Finance API för att utvinna meningsfulla finansiella insikter

Målgrupp

• Blivande datavetare och dataanalytiker
• Affärsanalytiker som arbetar med försäljnings-, finans- eller driftsdata
• Mjukvaruutvecklare som övergår till roller inom datavetenskap
• Yrkesverksamma som arbetar med efterfrågeplanering eller prognoser
• Studenter och nyutexaminerade som utforskar karriärer inom analys eller AI
• Alla som är intresserade av prediktiv analys och tidsbaserade data

Förkunskaper

• Grundläggande förståelse för statistik och sannolikhet
• Vana vid Python eller något annat programmeringsspråk (föredraget men inte obligatoriskt)
• Grundläggande kunskaper i datahantering eller Excel
• Analytiska och logiska tänkande
• Ingen avancerad erfarenhet av prognoser krävs.

Kursinnehåll

Begreppet tidsserier och dess komponenter

• Begreppet och nödvändigheten av tidsserieanalys
• Granularitet, frekvens och horisont i tidsserieanalys
• Extrahera data med hjälp av Yahoo Finance
• Tidsseriekomponenter: nivå, trend, säsongsvariation, cyklisk variation och brus
• Hantera saknade värden och extremvärden i tidsserier
• Additiv och multiplikativ dekomposition

Hantering av stationaritet

• Vitt brus
• Slumpvandring
• Begreppet stationaritet
• Detektering och hantering av stationaritet
• Statistiskt test för detektering av stationaritet: KPSS-testet jämfört med ADF-testet
• Granger-kausalitetstest
• Detektering av avvikelser med hjälp av Isolation Forest

Stationaritet och identifiering av fördröjningar

• Autokorrelation och korrelation
• Granger-kausalitetstest
• Autokorrelationsfunktion (ACF)
• Partiell autokorrelationsfunktion (PACF)
• Identifiering av fördröjningar med hjälp av ACF och PACF

Grundläggande tidsseriemodeller

• Naiv metod
• Enkel medelvärdesmetod, glidande medelvärdesmodell (MA)
• Löpande prognos med MA-modell
• Autoregressiv modell (AR)
• Löpande prognos med AR-modell
• Holt-Winter-exponentiell utjämning
• Enkel exponentiell utjämning
• Dubbel exponentiell utjämning

Prestationsmätning

• Prestationsmått för tidsserieanalys
• Upptäcka modellernas prestanda
• Jämföra modellernas prestanda

Avancerade tidsseriemodeller

• Autoregressiv glidande medelvärdesmodell (ARMA)
• Löpande prognos med ARMA-modell
• Autoregressiv integrerad glidande medelvärdesmodell (ARIMA)
• Löpande prognos med ARIMA
• Säsongsautoregressiv integrerad glidande medelvärdesmodell (SARIMA)
• Löpande prognos med SARIMA

Multivariat tidsserieanalys

• Begreppet endogena och exogena variabler

• Introduktion till SARIMAX: En kort teoretisk bakgrund
• Modellering med SARIMAX
• Löpande prognoser med SARIMAX
• Introduktion till VAR
• Modellering med VAR
• Löpande prognoser med VAR

Tidsserieprognoser med Facebook Prophet

• Framväxten av Prophet
• Huvudparametrar i Prophet
• Modellering med Prophet
• Löpande prognoser med Prophet

Vanliga frågor

Finns det något läromaterial utöver videoklippen som du kan gå igenom i din egen takt?

Absolut! Den on-demand-baserade inlärningsupplevelsen sträcker sig bortom videoklippen för att erbjuda en helt uppslukande inlärningsmiljö, inklusive:

• LÄR DIG: Interaktiva återkallningsquiz och fallstudier från verkligheten för att förstärka begreppen
• UTVÄRDERA: Diagnostiska, modulbaserade och slutliga utvärderingar för att följa dina framsteg
• ÖVA: Praktiska övningar med verklighetstrogna simuleringar och Cloud Labs
• FÅ INSIKTER: Analyser och rapporter i realtid som belyser dina framsteg, utmaningar och föreslagna områden att återkomma till för att bemästra nyckelkompetenser

Kan jag gå denna kurs parallellt med mitt heltidsjobb?

Ja! Kursen är utformad för maximal flexibilitet. Den levereras i ett onlineformat där du studerar i din egen takt, vilket gör att du kan lära dig och vidareutbilda dig när det passar dig, vilket gör det enkelt att balansera med ditt heltidsjobb.

Är kursen lämplig för nybörjare?

Ja, den börjar med grunderna innan den går vidare till avancerade prognosmodeller.

Behöver jag programmeringserfarenhet?

Grundläggande programmeringskunskaper (särskilt Python) är till hjälp men krävs inte.

Vilka branscher använder tidsserieprognoser?

De används i stor utsträckning inom finans, detaljhandel, logistik, hälso- och sjukvård, energi och teknik för prognoser och planering.

Kommer jag att lära mig praktiska tillämpningar?

Ja, kursen fokuserar på praktiska användningsfall för prognoser, såsom försäljning, efterfrågan och trendprognoser.

Vilka tekniker kommer jag att lära mig?

Du kommer att utforska metoder som ARIMA, exponentiell utjämning och andra statistiska prognosmetoder.

Räcker detta för att bli en prognosexpert?

Det ger en stark grund. Avancerad expertis kräver ytterligare övning med verkliga datamängder och prognosmodeller baserade på maskininlärning.