- < Онлайн-курс >
- < 8 недель >
- < старт 23.11 >
Кристина Исакова
Data Scientist в Holidu
Прогнозирование и анализ временных рядов
Находите закономерности в прошлом и делайте прогнозы на будущее
О курсе
Что будет с продажами в следующем месяце, какое количество пользователей вернется за вашим продуктом, как распределить рабочую силу и сколько новых сотрудников нанять, чтобы нарастить производство, ― это лишь часть вопросов, на которые можно ответить с помощью Time Series. Реализовывать модели временных рядов вы научитесь на курсе.
После курса вы сможете использовать библиотеки Pandas, NumPy, Scikit-learn, XGBoots, CatBoots и Prophet для Time Series, строить временные ряды на основе сырых данных, применять разные модели временных рядов: от метода скользящего среднего ― до метода Хольта-Винтерса, разбираться в процессах feature engineering и строить прогнозы «без признаков», строить прогнозы с учетом трендов, сезонности и цикличности.
- работа с библиотеками Pandas, NumPy, Scikit-learn,
XGBoots, CatBoots и Prophet для Time Series - прогнозирование по методу Хольта-Винтерса,
методу скользящего среднего и модели ARIMA - 3 индивидуальные консультации с лектором в рамках обучения
Специализация курса
- Data Scientist (beginner)
- Data Analyst
- Developers and Other IT-Specialists
- Python
- Математика и статистика
- Регрессия и временные ряды
23 ноября — 13 января
12 занятий (по вторникам и четвергам)
О лекторе
Кристина Исакова
Data Scientist в Holidu
- проводит Time Series Analysis и находит аномалии в данных на позиции Data Scientist в немецком стартапе по поиску и бронированию жилья Holidu
- строит системы автоматизированной блокировки фрода и «плохих» пользователей
- имеет более 4 лет опыта на позиции Data Scientist
- разрабатывала модели предсказаний и мониторинга метрик в немецкой транспортной компании FlixBus
- преподавала физику и математику в Университете Генуи [Италия] и Гамбургском университете [Германия]
- до работы в сфере IT занималась моделированием витректомии [операции по устранению отслоения сетчатки глаза] и описывала свойства материалов, которые потенциально могут дать осложнения после операции
Программа курса
-
- занятие 1
- онлайн 23.11 на 20:00
Введение в Time Series
Определите, чем задачи, которые можно решить с помощью Time Series, отличаются от других задач Machine Learning. Ознакомьтесь с библиотеками Python, которые используются в Time Series [Pandas, NumPy, Scikit-learn, XGBoost, CatBoost]. Изучите схему анализа временного ряда: от агрегации ― до построения модели и оценки качества предсказания. Постройте временной ряд на основе сырых данных.
-
- занятие 2
- онлайн 25.11 на 20:00
Базовые элементы статистики
Вспомните базовые понятия статистики, необходимые для дальнейшей оценки предсказаний во временных рядах. Разберитесь в метриках оценки предсказаний. Изучите суть доверительных интервалов и научитесь грамотно представлять результаты своих предсказаний. Постройте простую модель временного ряда и оцените ее точность. Сделайте cross validation для Time Series и определите, чем она отличается от обычной cross validation.
-
- занятие 3
- онлайн 30.11 на 20:00
Декомпозиция временных рядов
Разберитесь в нюансах работы с разными форматами данных (.csv, .txt, .json). Научитесь подключать внешние базы данных и данные веб-страниц к Excel. Напишите макросы для для автоматического обновления данных с тех источников, которые вы подключили к программе.
-
- занятие 4
- онлайн 02.12 на 20:00
Методы экспоненциального сглаживания [теория]
Изучите методы построения предсказаний. Поймите суть моделей экспоненциального сглаживания и научитесь повышать сложность модели за счет тренда, сезонности и цикличности. Изучите метод Хольта-Винтерса.
-
- занятие 5
- онлайн 07.12 на 20:00
Методы экспоненциального сглаживания [практика]
Примените изученные методы на практике. Научитесь аргументировать выбор того или иного метода под задачу. По желанию забронируйте слот на 30 минут личной консультации с лектором и подготовьте вопросы по пройденному материалу.
-
- занятие 6
- онлайн 09.12 на 20:00
Конструирование признаков и регрессионные модели
Ознакомьтесь с преимуществами и недостатками линейной регрессии на реальных примерах. Изучите процессы feature engineering. Узнайте, что можно сделать с временным рядом, если есть только временная переменная и зависимая переменная, которую надо предсказать. Научитесь работать с ограниченным количеством признаков и добавлять нужные признаки по необходимости.
-
- занятие 7
- онлайн 14.12 на 20:00
Модель ARIMA
Разберитесь в понятиях [стационарность, авторегрессия, частичная авторегрессия]. Научитесь строить модель ARIMA. Разберите несколько временных рядов на компоненты. Напишите отчет о моделях. По желанию забронируйте слот на 30 минут личной консультации с лектором и подготовьте вопросы по пройденному материалу.
-
- занятие 8
- онлайн 16.12 на 20:00
Иерархические модели
Научитесь подбирать тип отчета под потребности анализа и работать с шаблонами для построения отчетов. Настройте права доступа к отчету.
-
- занятие 9
- онлайн 21.12 на 20:00
Библиотека Prophet
Ознакомьтесь с алгоритмом работы библиотеки Prophet от Facebook. Узнайте, какие типы задач можно решить с помощью этой библиотеки и какие формулы для этого стоит применять. Сделайте предсказание для временного ряда.
-
- занятие 10
- онлайн 23.12 на 20:00
Аномалии и выбросы в данных
Повторите все темы курса. Ознакомьтесь с Roadmap аналитика и поймите, в каком направлении вам необходимо развиваться. Задайте вопросы лектору о профессии, сложных темах и личном опыте.
-
- занятие 11
- онлайн 11.01 на 20:00
Нейронные сети для временных рядов [теория]
Ознакомьтесь с основными понятиями нейронных сетей. Изучите принципы построения нейронных сетей. Научитесь использовать нейронные сети для анализа временных рядов.
-
- занятие 12
- онлайн 13.01 на 20:00
Нейронные сети для временных рядов [практика]
Вместе с лектором постройте нейронную сеть для предсказаний. Оцените эту модель и сравните ее с предыдущими. Научитесь выбирать оптимальный метод исходя из задачи. Презентуйте финальный проект и получите фидбек от лектора.
Регистрация
Скилы после курса
-
1
интерпретировать и оценивать результаты прогнозов
-
2
находить аномалии и выбросы в реальных данных
-
3
применять нейронные сети для временных рядов
What if … :
- 1. ... курс не понравился — можно вернуть деньги.
- 2. ... не подходит график занятий — уточните, когда будет следующий поток.
- 3. ... вы пропустили занятия — сохраняется запись.