Прогнозирование и анализ временных рядов
Data Scientist в немецком стартапе
по поиску и бронированию жилья
Holidu ex-Data Scientist в FlixBus
07.06.2022 ― 21.07.2022
ДЛИТЕЛЬНОСТЬ:
12 онлайн-занятий
[по вторникам и четвергам]
Курс поможет разобраться в фундаментальных принципах построения временных рядов, научит находить закономерности в полученных данных и делать точные прогнозы на будущее.
курс подойдет:
-
Data Scientist [beginner]
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.
-
Data Analyst
Научитесь строить разные модели временных рядов: скользящие статистики, экспоненциальное сглаживание, Хольта-Винтерса, ARIMA. В результате ― сможете делать прогнозы даже в условиях неопределенности.
-
Developers and Other IT-Specialists
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.
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.
КОНТЕНТ
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.
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
- Определите, чем задачи, которые можно решить с помощью Time Series, отличаются от других задач Machine Learning.
- Ознакомитесь 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.
- Разберетесь в метриках оценки предсказаний.
- Изучите суть доверительных интервалов и научитесь грамотно представлять результаты своих предсказаний.
- Построите простую модель временного ряда и оцените ее точность.
- Сделаете cross validation для Time Series и определите, чем она отличается от обычной cross validation.
- Разберете 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 ознакомитесь с ситуациями, когда предсказания невозможны.
- Изучите методы построения предсказаний.
- Разберете 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.
- Ознакомитесь с преимуществами и недостатками линейной регрессии на реальных примерах.
- Изучите процессы feature engineering.
- Узнаете, 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.
- Разберетесь в понятиях стационарность, авторегрессия, частичная авторегрессия.
- Научитесь строить модель ARIMA.
- Разберете несколько временных рядов на компоненты. Напишете отчет о моделях.
- 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.
- Ознакомитесь с алгоритмом работы библиотеки Prophet от Facebook.
- Узнаете, какие типы задач можно решить с помощью этой библиотеки и какие формулы стоит применять.
- Сделаете предсказание для временного ряда.
- Разберетесь в понятиях [аномалия] и [выброс].
- Узнаете, как временные ряды помогают находить аномалии и выбросы в данных.
- Поймете, для чего необходимо искать аномалии и в каких случаях их необходимо устранять.
- Научитесь строить систему мониторинга для нужных метрик.
- Получите задачу для финального проекта.
- Ознакомитесь с основными понятиями нейронных сетей.
- Изучите принципы построения нейронных сетей.
- Научитесь использовать нейронные сети для анализа временных рядов.
- Построите нейронную сеть для предсказаний.
- Оцените эту модель и сравните ее с предыдущими.
- Научитесь выбирать оптимальный метод исходя из задачи.