Course Outline

Εισαγωγή στην Ανάλυση Δεδομένων Χρόνου

  • Περιγραφή των δεδομένων χρόνου
  • Συστάτες στοιχεία της ανάλυσης χρόνου: τάση, χρονικές περιόδους, θόρυβος
  • Εγκατάσταση Google Colab για ανάλυση δεδομένων χρόνου

Εξορισμική Data Analysis Ανάλυση Δεδομένων Χρόνου

  • Βιαστική παρουσίαση δεδομένων χρόνου
  • Διάχωμα των συστατικών μερών των δεδομένων χρόνου
  • Ανίχνευση περιοδικότητας και τάσης

Μοντέλα ARIMA για Δεδομένα Χρόνου Forecasting

  • Σύννεφος των ARIMA (AutoRegressive Integrated Moving Average)
  • Επιλογή παραμέτρων για μοντέλα ARIMA
  • Κατάρτιση μοντέλων ARIMA σε Python

Εισαγωγή στο Prophet για Δεδομένα Χρόνου Forecasting

  • Περιγραφή του Prophet για πρόβλεψη δεδομένων χρόνου
  • Κατάρτιση μοντέλων Prophet σε Google Colab
  • Διαχείριση φεστιβάλ και ειδικών γεγονότων στη πρόβλεψη

Προχωμένες Forecasting Τεχνικές

  • Διαχείριση λείπουσας πληροφορίας στα δεδομένα χρόνου
  • Πρόβλεψη πολυμεταβλητών δεδομένων χρόνου
  • Προσαρμογή προβλέψεων με εξωτερικούς αποκαταστατικούς

Εκτίμηση και Συμπλήρωση των Πρόβλεψης Μοντέλων

  • Ενδεικτικά μέτρα περformance για πρόβλεψη δεδομένων χρόνου
  • Συμπλήρωση μοντέλων ARIMA και Prophet
  • Παρακαμιάς δείγματος και επίβασης

Πρακτικές Εφαρμογές της Ανάλυσης Δεδομένων Χρόνου

  • Σε περίπτωση επικαιροποίησης πρόβλεψης δεδομένων χρόνου
  • Πρακτικά τυχαία με πραγματικά σύστημα δεδομένων
  • Επόμενα βήματα για ανάλυση δεδομένων χρόνου στο Python

Επίλογος και Επόμενα Βήματα

Requirements

  • Μεσαία γνώση προγραμματισμού Python
  • Εξυπάκτεια με βασικές στατιστικές και τεχνικές ανάλυσης δεδομένων

Δημόσιο

  • Αναλύτες δεδομένων
  • Επιστήμονες δεδομένων
  • Επαγγελματίες που εργάζονται με χρονοσειρές δεδομένων
 21 Hours

Number of participants


Price per participant

Σχόλια (5)

Upcoming Courses

Related Categories