课程大纲

时间序列分析简介

  • 时间序列数据概述
  • 时间序列的组成部分:趋势、季节性、杂讯
  • 设置 Google Colab 进行时间序列分析

时间序列的探索性 Data Analysis

  • 可视化时间序列数据
  • 分解时间序列元件
  • 检测季节性和趋势

时间序列的 ARIMA 模型 Forecasting

  • 了解 ARIMA(自回归积分移动平均线)
  • 为 ARIMA 模型选择参数
  • 在 Python 中实现 ARIMA 模型

Prophet for Time Series 简介 Forecasting

  • 用于时间序列预测的 Prophet 概述
  • 在 Google Colab 中实现 Prophet 模型
  • 在 Forecasting 中处理假日和特殊事件

高级 Forecasting 技术

  • 处理时间序列中的缺失数据
  • 多变数时间序列预测
  • 使用外部回归器自定义预测

评估和微调预测模型

  • 用于时间序列预测的性能指标
  • 微调 ARIMA 和 Prophet 模型
  • 交叉验证和回溯测试

时间序列分析的实际应用

  • 时间序列预测案例研究
  • 使用真实数据集进行实践练习
  • Python 中时间序列分析的后续步骤

总结和后续步骤

要求

  • Python 程式设计的中级知识
  • 熟悉基本的统计和数据分析技术

观众

  • 数据分析师
  • 数据科学家
  • 处理时间序列数据的专业人员
 21 小时

客户评论 (5)

即将举行的公开课程

课程分类