Онлайн-курс

Прогнозирование и анализ временных рядов

Кристина Исакова
Data Scientist в немецком стартапе
по поиску и бронированию жилья
Holidu ex-Data Scientist в FlixBus
Читать дальше
ДАТА:
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.

 
Необходимые знания на старте обучения:
01
Python
знаете базовый синтаксис и функции языка
02
Математика и статистика
хорошо помните линейную алгебру и умеете применять математические формулы, знакомы с базовыми понятиями статистики
о курсе

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.

 
В программу курса входят:
01
СИЛЬНЫЙ
КОНТЕНТ
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.
02
ИНСТРУМЕНТЫ
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.
03
КАРЬЕРА

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.

ЛЕКТОР
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
01
07.06.2022
Введение в Time Series
  • 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.
больше
02
09.06.2022
Базовые элементы статистики
  • 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.
больше
03
14.06.2022
Декомпозиция временных рядов
  • 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.
больше
04
16.06.2022
Методы экспоненциального сглаживания. Part 1
  • Изучите методы построения предсказаний.
  • Разберете суть моделей экспоненциального сглаживания и научитесь повышать сложность модели за счет тренда, сезонности и цикличности.
  • Изучите метод Хольта-Винтерса.
больше
05
21.06.2022
Методы экспоненциального сглаживания. Part 2
  • Примените изученные методы на практике.
  • Научитесь аргументировать выбор того или иного метода под задачу.
больше
06
28.06.2022
Конструирование признаков и регрессионные модели
  • 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.
больше
07
30.06.2022
Модель ARIMA
  • Разберетесь в понятиях стационарность, авторегрессия, частичная авторегрессия.
  • Научитесь строить модель ARIMA.
  • Разберете несколько временных рядов на компоненты. Напишете отчет о моделях.
больше
08
05.07.2022
Иерархические модели
  • 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.
больше
09
07.07.2022
Библиотека Prophet
  • 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.
больше
10
14.07.2022
Аномалии и выбросы в данных
  • 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.
больше
11
19.07.2022
Нейронные сети для временных рядов. Part 1
  • Ознакомитесь с основными понятиями нейронных сетей.
  •  
  • Изучите принципы построения нейронных сетей.
  • Научитесь использовать нейронные сети для анализа временных рядов.
больше
12
21.07.2022
Нейронные сети для временных рядов. Part 2
  • Построите нейронную сеть для предсказаний.
  • Оцените эту модель и сравните ее с предыдущими.
  • Научитесь выбирать оптимальный метод исходя из задачи.
больше
Регистрация
Имя
Это обязательное поле!
Email
Это обязательное поле!
Телефон
Это обязательное поле!
Регистрируясь, вы соглашаетесь
с условиями договора-оферты и политикой конфиденциальности.
Спасибо!
Мы получили вашу заявку. Проверьте вашу почту.