Köszönjük, hogy elküldte érdeklődését! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Köszönjük, hogy elküldte foglalását! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Kurzusleírás
Idősorozati analízis Google Colab-al
Idősorozatokhoz tartozó ARIMA-modellek Forecasting
Haladó Forecasting technikák
Előrejelző modellek értékelése és finomítása
Idősorozatokhoz tartozó Exploratory Data Analysis
Idősorozatokhoz tartozó Prophet bevezetése Forecasting
Idősorozati analízis bevezetése
Idősorozati analízis gyakorlati alkalmazásai
Összefoglalás és következő lépések
- Idősorozati előrejelzés esettanulmányok
- Valós világbeli adatbázisok gyakorlati feladatokkal
- Idősorozati analízis következő lépései Python-ben
- Hiányzó adatok kezelése idősorozatokban
- Többváltozós idősorozati előrejelzés
- Előrejelzés külső regresszorokkal
- Prophet idősorozati előrejelzésének áttekintése
- Prophet-modellek implementálása Google Colab-ben
- Ünnepek és különleges események kezelése az előrejelzésben
- Idősorozati adatok áttekintése
- Idősorozati komponensek: trend, szezonális hatás, zaj
- Google Colab beállítása idősorozati analízishez
- Teljesítménymutatók idősorozati előrejelzéshez
- ARIMA- és Prophet-modellek finomítása
- Keresztvalidálás és visszafogás
- ARIMA (AutoRegressive Integrated Moving Average) értése
- ARIMA-modellek paramétereinek kiválasztása
- ARIMA-modellek implementálása Python-ben
- Idősorozati adatok vizualizálása
- Idősorozati komponensek szétbontása
- Szezonális hatások és trendek észrevétele
Követelmények
Célközönség
- Adatanalitikusok
- Adattudósok
- Idősoros adatokkal dolgozó szakemberek
- Középfokú ismeret Python programozásból
- Ismerőség a statisztika és az adatanalitikai technikák alapjaival
ARIMA modell idősoros Forecasting számára
Haladó Forecasting technikák
Előrejelzési modellök értékelése és finomhangolása
Idősoros Data Analysis explorációs elemzése
Bevezetés az idősoros Forecasting Prophet módszerébe
Bevezetés az idősoros elemzésbe
Idősoros elemzés valós alkalmazásai
Összegzés és következő lépések
- Idősoros előrejelzési esettanulmányok
- Gyakorlati feladatok valós adatkészletekkel
- Idősoros elemzés következő lépései Python-ban
- Hiányzó adatkezelés idősorokban
- Többváltozós idősoros előrejelzés
- Előrejelzés külső regresszorokkal való szabványosítása
- Áttekintés a Prophet módszeréről idősoros előrejelzésre
- Prophet modellek implementálása Google Colab-ban
- Ünnepek és különleges események kezelése az előrejelzés során
- Idősoros adatok áttekintése
- Idősoros elemek: trend, szezonális hatások, zaj
- Google Colab beállítása idősoros elemzésre
- Teljesítménymutatók idősoros előrejelzésre
- ARIMA és Prophet modellök finomhangolása
- Keresztvalidáció és visszatevételi tesztelés
- ARIMA (AutoRegressive Integrated Moving Average) megértése
- ARIMA modell paraméterek kiválasztása
- ARIMA modellök implementálása Python -ban
- Idősoros adatok vizualizálása
- Idősoros elemek bontása
- Szezonális hatások és trendek észlelése
Kurzus Testreszabási Lehetőségek
Kurzus Formája
Ezen képzés befejezése után a résztvevők képesek lesznek:
Ez a kurzus bevezető idősoros elemzésbe, gyakorlati gyakorlatokkal Google Colab -ban. A résztvevők ARIMA modelleket, Prophet modelleket és más idősoros előrejelzési technikákat fogják tanulmányozni, hogy elemzzenek és jósoljanak időbeli adatokkal. A kurzus hangsúlyozza az e technikák gyakorlati alkalmazását egy felhőalapú környezetben, mint Google Colab.
Ez az oktatóvezetett élő képzés (online vagy helyszínen) középfokú adatprofesszionálisaknak szól, akik alkalmazni szeretnék az idősoros előrejelzési technikákat valós adatokra Google Colab -ban.
- Interaktív előadás és beszélgetés
- Sok gyakorlat és gyakorlás
- Gyakorlati implementálás élő labor környezetben
- Testreszabott képzés kérésére, kérjük, lépjen kapcsolatba velünk a megtárgyaláshoz
- Idősoros elemzés alapjai megértése
- Google Colab használata idősoros adatokkal
- ARIMA modellek alkalmazása adattendenciák előrejelzésére
- Facebook Prophet könyvtárának felhasználása rugalmas előrejelzéshez
- Idősoros adatok és előrejelzési eredmények vizualizálása
Célközönség
- Adatanalitikusok
- Adattudósok
- Idősoros adatokkal dolgozó szakemberek
- Középfokú ismeret Python programozásból
- Ismerőség a statisztika és az adatanalitikai technikák alapjaival
Ezen képzés befejezése után a résztvevők képesek lesznek:
Ez az oktatóvezetett élő képzés <loc> (online vagy helyszínen) középfokú adatprofesszionálisaknak szól, akik alkalmazni szeretnék az idősoros előrejelzési technikákat valós adatokra Google Colab -ban.
- Idősoros elemzés alapjai megértése
- Google Colab használata idősoros adatokkal
- ARIMA modellek alkalmazása adattendenciák előrejelzésére
- Facebook Prophet könyvtárának felhasználása rugalmas előrejelzéshez
- Idősoros adatok és előrejelzési eredmények vizualizálása
21 Órák
Vélemények (5)
Kezdettük azokat az interaktív példákat, amelyek lehetővé tették számunkra, hogy valósággal megértsük, hogyan működik a program. Gorögzített magyarázatok és a teoretikus koncepciók gyakorlati alkalmazásukkal való integrálása.
Ian - Archeoworks Inc.
Kurzus - ArcGIS Fundamentals
Gépi fordítás
Minden témát, amelyet lefedett, példákkal együtt. És maguk a módszerek, ahogyan hasznosak a munkankban.
madduri madduri - Boskalis Singapore Pte Ltd
Kurzus - QGIS for Geographic Information System
Gépi fordítás
Tetszett Pablo stílusa, az a tény, hogy rengeteg témával foglalkozott a jelentéskészítéstől, a html-el történő testreszabáson át az egyszerű ML algoritmusok megvalósításáig. Good egyensúly elméleti információk / gyakorlatok. Pablo valóban lefedett minden olyan témát, ami érdekelt, és átfogó választ adott a kérdéseimre.
Cristian Tudose - SC Automobile Dacia SA
Kurzus - Advanced Data Analysis with TIBCO Spotfire
Gépi fordítás
A Spotfire alkalmazás valós alkalmazása és az alapvető funkciók gyakorlása.
Michael Capili - STMicroelectronics, Inc.
Kurzus - Introduction to Spotfire
Gépi fordítás
A tanfolyam szervezése és a helyszíne tetszett nekem legjobban.
Hamid Tuama - Ability with Innovation General Contracting (DMCC Branch)
Kurzus - ArcGIS for Spatial Analysis
Gépi fordítás
