Кристина Исакова
Data Scientist в немецком стартапе по поиску и бронированию жилья Holidu ex-Data Scientist в FlixBus
12 занятий
[по вторникам и четвергам]
Практический онлайн-курс, который поможет разобраться в фундаментальных принципах построения временных рядов, научит находить закономерности в полученных данных и делать точные прогнозы на будущее.
Изучите основы анализа временных рядов и будете строить прогнозы в XGBoots и Prophet. По итогу ― сможете установить причинно-следственные связи с помощью упорядочения полученных данных и прототипировать модели.
Научитесь строить разные модели временных рядов: скользящие статистики, экспоненциальное сглаживание, Хольта-Винтерса, ARIMA. В результате ― сможете делать прогнозы даже в условиях неопределенности.
Узнаете, как делать прогнозы с учетом трендов, сезонности и цикличности, находить аномалии и применять нейронные сети для временных рядов. Сможете применять Time Series Analysis в своей работе.
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
интерпретировать и оценивать результаты прогнозов
находить аномалии и выбросы в реальных данных
применять нейронные сети для временных рядов
знаете синтаксис и функции языка на уверенном уровне
хорошо помните линейную алгебру и умеете применять математические формулы, знакомы с базовыми понятиями статистики
понимание того, какие задачи решает машинное обучение и как устроены временные ряды, будет плюсом
Time Series покрывают огромный пласт задач Data Science, связанных с прогнозированием, поиском аномалий и предиктивной аналитикой.
На курсе вы разберетесь в фундаментальных принципах построения временных рядов и освоите все необходимые библиотеки Python для этого. Будете строить прогнозы с учетом трендов, сезонности и цикличности, интерпретировать и оценивать результаты прогнозов, находить аномалии и применять нейронные сети для временных рядов.
Бонусом вы получите 2 получасовые индивидуальные консультации с лектором.
В результате ― научитесь делать прогнозы даже в условиях неопределенности.
Вы ознакомитесь с задачами, которые невозможно решить без Time Series, и узнаете, как применять модели Machine Learning для прогнозирования. Каждый теоретический тезис будет подкреплен примером из практики.
Освоите библиотеки Python, которые применяются для прогнозирования и анализа временных рядов: Pandas, NumPy, Scikit-learn, XGBoots, CatBoots и Prophet. Научитесь применять разные методы для построения Time Series.
Сможете прогнозировать будущие продажи, оценивать и предсказывать спрос на новый продукт, формулировать и валидировать продуктовые гипотезы, оценивать эффективность маркетинговой стратегии, планировать оптимизацию производства, устанавливать причинно-следственные связи в данных и прототипировать модели.
Разберетесь в типах моделей временных рядов и сможете применять разные модели в своей работе, благодаря чему повысите квалификацию. Сможете реализовывать более интересные и сложные проекты.
ИНДИВИДУАЛЬНЫЕ КОНСУЛЬТАЦИИ С ЛЕКТОРОМ
Каждый студент получит 2 индивидуальные консультации по 30 минут в рамках обучения. Лектор ответит на все вопросы, даст фидбек и поможет разобраться в сложных рабочих задачах.
ДОСТУП К PYCHARM PROFESSIONAL EDITION
Каждый студент получит бесплатный доступ к платной версии PyCharm Professional Edition на 4 месяца. PyCharm — интегрированная среда разработки для языка программирования Python.
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
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.
Разберите временной ряд на компоненты [тренд, сезонность, цикличность, автокорреляция, стационарность] и изучите их значение. Ознакомьтесь с типами преобразований временных рядов для анализа. Научитесь отличать временной ряд от random walk. Изучите метод скользящего среднего и ознакомьтесь с ситуациями, когда предсказания невозможны.
Изучите методы построения предсказаний. Поймите суть моделей экспоненциального сглаживания и научитесь повышать сложность модели за счет тренда, сезонности и цикличности. Изучите метод Хольта-Винтерса.
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.
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.
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.
Изучите зависимости временных рядов друг от друга. Научитесь работать с иерархическими моделями и строить модели для многомерных временных рядов. Решите задачи по пройденным методам на нескольких временных рядах.
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.
Разберитесь в понятиях [аномалия] и [выброс]. Узнайте, как временные ряды помогают находить аномалии и выбросы в данных. Поймите, для чего необходимо искать аномалии и в каких случаях их необходимо устранять. Научитесь строить систему мониторинга для нужных метрик. Получите задачу для финального проекта. По желанию забронируйте слот на 30 минут личной консультации с лектором и подготовьте вопросы по пройденному материалу.
Ознакомьтесь с основными понятиями нейронных сетей. Изучите принципы построения нейронных сетей. Научитесь использовать нейронные сети для анализа временных рядов.
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.