< онлайн-курс > < 7 тижнів >

Прогнозування та аналіз часових рядів

Кристина Ісакова
Data Scientist у німецькому стартапі
з пошуку та бронювання житла
Holidu ex-Data Scientist у FlixBus
Читати далі
ДАТА:
07.06.2022 ― 21.07.2022

ТРИВАЛІСТЬ:
12 онлайн-занять
[щовівторка та щочетверга]

Практичний онлайн-курс, який допоможе розібратися у фундаментальних принципах побудови часових рядів, навчить знаходити закономірності в отриманих даних та робити точні прогнози на майбутнє.

курс підійде:

  • Data Scientist [beginner]

    Вивчите основи аналізу часових рядів та будуватимете прогнози в XGBoost і Prophet. У підсумку ― зможете встановити причинно-наслідкові зв’язки за допомогою впорядкування отриманих даних та прототипувати моделі.

  • Data Analyst

    Навчитеся будувати різні моделі часових рядів: ковзаючі статистики, експоненційне згладжування, Хольта-Вінтерса, ARIMA. У результаті ― зможете робити прогнози навіть за умов невизначеності.

  • Developers and Other IT-Specialists

    Дізнаєтеся, як робити прогнози з урахуванням трендів, сезонності та циклічності, а також знаходити аномалії та застосовувати нейронні мережі для часових рядів. Ви зможете використовувати Time Series Analysis у своїй роботі.

 
Необхідні знання на старті навчання:
01
Python
знаєте базовий синтаксис та функції мови
02
Математика та статистика
добре пам’ятаєте лінійну алгебру, вмієте застосовувати математичні формули та знайомі з базовими поняттями статистики
03
Регресія та часові ряди
розуміння того, які завдання виконує машинне навчання та як влаштовані часові ряди, буде плюсом
Про курс:

Time Series покривають величезний пласт завдань Data Science, пов'язаних із прогнозуванням, пошуком аномалій та предиктивною аналітикою.

На курсі ви розберетеся e фундаментальних принципах побудови часових рядів та опануєте всі необхідні бібліотеки Python для цього. Будуватимете прогнози з урахуванням трендів, сезонності та циклічності, будете інтерпретувати та оцінювати результати прогнозів, знаходити аномалії та застосовувати нейронні мережі для часових рядів.

Бонусом ви отримаєте індивідуальні консультації від лектора.

В результаті — навчитеся робити прогнози навіть в умовах невизначеності.

 
В програму курсу входять:
01
СИЛЬНИЙ
КОНТЕНТ
Ви ознайомитеся із завданнями, які неможливо розв’язати без Time Series, і дізнаєтеся, як застосовувати моделі Machine Learning для прогнозування. Кожна теоретична теза буде підкріплена прикладом із практики.
02
ІНСТРУМЕНТИ
Ви опануєте бібліотеки Python, які застосовуються для прогнозування та аналізу часових рядів: Pandas, NumPy, Scikit-learn, XGBoost, CatBoost та Prophet. Навчитеся застосовувати різні методи для побудови Time Series.
03
ЗАДАЧІ

Ви зможете прогнозувати майбутні продажі, оцінювати та передбачати попит на новий продукт, формулювати та валідувати продуктові гіпотези, оцінювати ефективність маркетингової стратегії, планувати оптимізацію виробництва, встановлювати причинно-наслідкові зв’язки в даних та прототипувати моделі.

04
КАР'ЄРА

Ви розберетеся в типах моделей часових рядів та зможете застосовувати різні моделі у своїй роботі, завдяки чому підвищите кваліфікацію. Зможете реалізовувати цікавіші та складніші проєкти.

ЛЕКТОР
КРИСТИНА
ІСАКОВА
  • Data Scientist в Holidu
  • проводить Time Series Analysis і знаходить аномалії даних на позиції Data Scientist в німецькому стартапі з пошуку та бронювання житла Holidu
  • будує системи автоматизованого блокування фроду та «поганих» користувачів
  • має понад 4 роки досвіду на позиції Data Scientist
  • розробляла моделі передбачень та моніторингу метрик у німецькій транспортній компанії FlixBus
  • викладала фізику та математику в Університеті Генуї [Італія] та Гамбурзькому університеті [Німеччина]
  • до роботи у сфері IT займалася моделюванням вітректомії [операції з усунення відшарування сітківки ока] та описувала властивості матеріалів, які потенційно можуть дати ускладнення після операції
ПРОГРАМА
01
07.06.2022
Введення в Time Series
  • Визначте, чим завдання, які можна розв’язати за допомогою Time Series, відрізняються від інших завдань Machine Learning.
  • Ознайомтеся з бібліотеками Python, які використовуються в Time Series [Pandas, NumPy, Scikit-learn, XGBoost, CatBoost].
  • Вивчіть схему аналізу часового ряду: від агрегації — до побудови моделі та оцінювання якості передбачення.
  • Побудуйте часовий ряд на основі сирих даних.
більше
02
09.06.2022
Принципи побудови передбачень для часового ряду

Згадайте базові поняття статистики, які необхідні для подальшого оцінювання передбачень у часових рядах. Розберіться в метриках оцінювання прогнозів. Вивчіть суть довірчих інтервалів та навчіться грамотно представляти результати своїх передбачень. Побудуйте просту модель часового ряду та оцініть її точність. Зробіть cross validation для Time Series та визначте, чим вона відрізняється від звичайної cross validation.

більше
03
14.06.2022
Модель ARIMA

Розберіться в поняттях [стаціонарність, авторегресія, часткова авторегресія]. Навчіться будувати модель ARIMA. Розберіть кілька часових рядів на компоненти. Напишіть звіт про моделі. Підберіть параметри та побудуйте передбачення, використовуючи модель ARIMA.

більше
04
16.06.2022
Трансформація часових рядів

Розберіть часовий ряд на компоненти [тренд, сезонність, циклічність, автокореляція, стаціонарність] та вивчіть їхні значення. Ознайомтеся з типами перетворень часових рядів для аналізу. Навчіться відрізняти часовий ряд від random walk. Вивчіть метод ковзного середнього та ознайомтеся з ситуаціями, коли передбачення неможливі.

більше
05
21.06.2022
Методи експоненційного згладжування

Вивчіть методи побудови передбачень. Зрозумійте суть моделей експоненційного згладжування та навчіться підвищувати складність моделі за допомогою тренду, сезонності та циклічності. Вивчіть метод Хольта-Вінтерса. Застосуйте вивчені методи на практиці. Навчіться аргументувати вибір того чи іншого методу під завдання.

більше
06
28.06.2022
Feature engineering. Регресійні моделі. Part 1

Ознайомтеся з перевагами та недоліками лінійної регресії на реальних прикладах. Вивчіть процеси feature engineering. Дізнайтеся, що можна зробити з часовим рядом, якщо є лише часова змінна та залежна змінна, яку треба передбачити. Навчіться працювати з обмеженою кількістю ознак і додавати потрібні ознаки в датасет за потреби. Ознайомтесь із принципами побудови регресії.

більше
07
30.06.2022
Feature engineering. Регресійні моделі. Part 2

Ознайомтеся зі способами target encoding. Дізнайтеся, що таке «крос-валідація» та «тюнінг параметрів». Навчіться працювати із перенавчанням (overfitting). Побудуйте передбачення часового ряду за допомогою моделей регресії.

більше
08
05.07.2022
Ієрархічні моделі
  • Вивчіть залежності часових рядів одна від одної.
  • Навчіться працювати з ієрархічними моделями та будувати моделі для багатовимірних часових рядів.
  • Розв’яжіть завдання пройденими методами на кількох часових рядах.
більше
09
07.07.2022
Бібліотека Prophet
  • Ознайомтеся з алгоритмом роботи бібліотеки Prophet від Facebook.
  • Дізнайтеся, які типи завдань можна розв’язати за допомогою цієї бібліотеки та які формули для цього варто застосовувати.
  • Зробіть прогноз для часового ряду.
більше
10
14.07.2022
Аномалії та викиди в даних

Розберіться в поняттях [аномалія] та [викид]. Дізнайтеся, як часові ряди допомагають знаходити аномалії та викиди даних. Зрозумійте, для чого потрібно шукати аномалії та в яких випадках їх потрібно усувати. Навчіться будувати систему моніторингу для потрібних метрик. Отримайте завдання фінального проєкту. За бажанням забронюйте слот на 30 хвилин особистої консультації з лектором та підготуйте питання щодо пройденого матеріалу.

більше
11
19.07.2022
Нейронні мережі для часових рядів [теорія]
  • Ознайомтеся з основними поняттями нейронних мереж.
  • Вивчіть принципи побудови нейронних мереж.
  • Навчіться використовувати нейронні мережі для аналізу часових рядів.
більше
12
21.07.2022
Нейронні мережі для часових рядів [практика]
  • Разом із лектором побудуйте нейронну мережу для передбачень.
  • Оцініть цю модель та порівняйте її з попередніми.
  • Навчіться обирати оптимальний метод з огляду на завдання.
більше
Реєстрація
 
Ім'я
Це обов'язкове поле!
Email
Це обов'язкове поле!
Телефон
Це обов'язкове поле!
Реєструючись, ви погоджуєтеся
з умовами договору-оферти та політикою конфіденційності.
Дякуємо!
Ми отримали вашу заявку. Перевірте вашу пошту.