Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Nutze Prognosen in R für datengestützte Entscheidungen
Dieser Kurs gibt dir 'ne Einführung in die Zeitreihenprognose mit R.Prognosen machen heißt, Vorhersagen über die Zukunft zu treffen. Das ist in vielen Situationen wichtig, zum Beispiel wenn man entscheidet, ob in den nächsten zehn Jahren ein neues Kraftwerk gebaut wird, oder wenn man die Mitarbeiter im Callcenter für die nächste Woche einteilt.
Prognosen können mehrere Jahre im Voraus gebraucht werden (wie bei Investitionen) oder nur ein paar Minuten vorher (wie bei der Routing-Entscheidung in der Telekommunikation). Egal, um welche Situation oder welchen Zeitraum es geht, zuverlässige Prognosen sind super wichtig für gute Entscheidungen, die auf Daten basieren.
Erstell genaue Prognosemodelle mit ARIMA und exponentieller Glättung
Du startest diesen Kurs, indem du Zeitreihenobjekte in R erstellst, um deine Daten darzustellen und Trends, Saisonalitäten und sich wiederholende Zyklen zu entdecken. Du lernst das Konzept des weißen Rauschens kennen und erfährst, wie du einen Ljung-Box-Test durchführen kannst, um die Zufälligkeit zu bestätigen, bevor du zum nächsten Kapitel übergehst, in dem Benchmarking-Methoden und Prognosegenauigkeit näher erläutert werden.Die Möglichkeit, die Genauigkeit deiner Prognosen zu testen und zu messen, ist für die Entwicklung brauchbarer Modelle unerlässlich. Dieser Kurs geht auf verschiedene Methoden ein, bevor er sich mit exponentieller Glättung und ARIMA-Modellen beschäftigt, die zwei der am häufigsten verwendeten Ansätze für Zeitreihenprognosen sind.
Bevor du den Kurs abschließt, lernst du, wie du fortgeschrittene ARIMA-Modelle nutzen kannst, um zusätzliche Infos wie Feiertage und Aktivitäten von Mitbewerbern einzubeziehen.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Zeitreihen in R erkunden und visualisieren
Der erste Schritt in jeder Datenanalyse ist, die Daten zu visualisieren. Diagramme machen viele Merkmale der Daten sichtbar, darunter Muster, Auffälligkeiten und Veränderungen über die Zeit. Die Merkmale, die du in den Plots siehst, sollten anschließend – soweit möglich – in die zu verwendenden Prognosemethoden einfließen.
- Willkommen zu Forecasting mit R50 XP
- Zeitreihenobjekte in R erstellen100 XP
- Zeitreihendiagramme100 XP
- Saisonale Plots100 XP
- Trend, Saisonalität und Zyklen50 XP
- Autokorrelation nicht-saisonaler Zeitreihen100 XP
- Autokorrelation saisonaler und zyklischer Zeitreihen100 XP
- Ordne die ACF der Zeitreihe zu50 XP
- Weißes Rauschen50 XP
- Aktienkurse und weißes Rauschen100 XP
2
Benchmark-Methoden und Prognosegüte
In diesem Kapitel lernst du allgemeine Werkzeuge kennen, die in vielen verschiedenen Prognosesituationen nützlich sind. Es stellt einige Methoden für Benchmark-Prognosen vor, Verfahren zum Prüfen, ob eine Prognosemethode die verfügbaren Informationen angemessen genutzt hat, sowie Methoden zum Messen der Prognosegüte. Jedes der hier behandelten Werkzeuge wird in den folgenden Kapiteln wiederholt eingesetzt, wenn du eine Reihe von Prognosemethoden entwickelst und erkundest.
3
Exponentielle Glättung
Prognosen, die mit Methoden der exponentiellen Glättung erstellt werden, sind gewichtete Mittelwerte vergangener Beobachtungen, wobei die Gewichte mit zunehmendem Alter der Beobachtungen exponentiell abnehmen. Anders gesagt: Je aktueller die Beobachtung, desto höher ihr Gewicht. Dieses Rahmenwerk liefert für eine breite Palette von Zeitreihen schnell verlässliche Prognosen – ein großer Vorteil und für Anwendungen in der Praxis von zentraler Bedeutung.
4
Prognosen mit ARIMA-Modellen
ARIMA-Modelle bieten einen weiteren Ansatz zur Zeitreihenprognose. Exponentielle Glättung und ARIMA sind die zwei am weitesten verbreiteten Ansätze und ergänzen sich bei der Lösung des Problems. Während Modelle der exponentiellen Glättung Trend und Saisonalität in den Daten beschreiben, zielen ARIMA-Modelle darauf ab, die Autokorrelationen in den Daten zu modellieren.
5
Fortgeschrittene Methoden
Die Zeitreihenmodelle aus den vorherigen Kapiteln funktionieren für viele Zeitreihen gut, eignen sich jedoch oft nicht für wöchentliche oder stündliche Daten und erlauben nicht die Einbeziehung weiterer Informationen wie zum Beispiel Feiertagseffekte, Aktivitäten von Wettbewerbern, Gesetzesänderungen usw. In diesem Kapitel schaust du dir Methoden an, die komplexere Saisonalität abbilden, und du lernst, wie sich ARIMA-Modelle erweitern lassen, um zusätzliche Informationen einzubeziehen.
R
Prognosen mit R
Kurs
abgeschlossen
