After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrizione del corso
Usa le previsioni in R per prendere decisioni basate sui dati
Questo corso ti dà un'idea di base su come fare previsioni di serie temporali usando R.Fare previsioni vuol dire cercare di capire cosa succederà in futuro. È necessario in un sacco di situazioni, tipo quando si deve decidere se costruire un'altra centrale elettrica nei prossimi dieci anni o quando si deve organizzare il lavoro del personale di un call center per la settimana che viene.
Le previsioni possono servire con diversi anni di anticipo (nel caso degli investimenti di capitale) o solo pochi minuti prima (per il routing delle telecomunicazioni). Qualunque siano le circostanze o gli orizzonti temporali coinvolti, previsioni affidabili sono fondamentali per prendere decisioni basate su dati validi.
Crea modelli di previsione precisi con ARIMA e livellamento esponenziale
Inizierai questo corso creando oggetti di serie temporali in R per tracciare i tuoi dati e scoprire tendenze, stagionalità e cicli ripetuti. Ti spiegheremo cos'è il rumore bianco e come fare un test di Ljung-Box per vedere se i dati sono davvero casuali, prima di passare al prossimo capitolo, che parla di come confrontare i risultati e di quanto sono precisi le previsioni.Essere in grado di testare e misurare l'accuratezza delle previsioni è fondamentale per sviluppare modelli utilizzabili. Questo corso passa in rassegna un sacco di metodi prima di approfondire il livellamento esponenziale e i modelli ARIMA, che sono due dei metodi più usati per le previsioni delle serie temporali.
Prima di finire il corso, imparerai a usare modelli ARIMA avanzati per aggiungere altre informazioni, tipo le festività e le mosse della concorrenza.
Prerequisiti
Curriculum
Programma del corso
1
Esplorare e visualizzare serie temporali in R
La prima cosa da fare in qualsiasi analisi dei dati è tracciare un grafico dei dati. I grafici permettono di visualizzare molte caratteristiche, inclusi schemi ricorrenti, osservazioni anomale e cambiamenti nel tempo. Le caratteristiche che emergono dai grafici devono poi essere incorporate, per quanto possibile, nei metodi di previsione che si intende utilizzare.
- Benvenuto in Forecasting in R50 XP
- Creare oggetti di serie temporali in R100 XP
- Grafici di serie temporali100 XP
- Grafici stagionali100 XP
- Trend, stagionalità e ciclicità50 XP
- Autocorrelazione di serie temporali non stagionali100 XP
- Autocorrelazione di serie temporali stagionali e cicliche100 XP
- Abbina l'ACF alla serie temporale50 XP
- Rumore bianco50 XP
- Prezzi azionari e rumore bianco100 XP
2
Metodi di riferimento e accuratezza delle previsioni
In questo capitolo imparerai strumenti generali utili in molte diverse situazioni di previsione. Descriverà alcuni metodi di riferimento per le previsioni, metodi per verificare se un metodo di previsione ha sfruttato adeguatamente le informazioni disponibili e metodi per misurare l’accuratezza delle previsioni. Ognuno degli strumenti discussi qui verrà riutilizzato nei capitoli successivi mentre svilupperai ed esplorerai una gamma di metodi di previsione.
3
Smorzamento esponenziale
Le previsioni generate con metodi di smorzamento esponenziale sono medie ponderate delle osservazioni passate, con pesi che decadono esponenzialmente man mano che le osservazioni diventano più vecchie. In altre parole, più recente è l’osservazione, maggiore è il peso associato. Questo approccio permette di ottenere previsioni affidabili in modo rapido e per un’ampia varietà di serie temporali, un grande vantaggio di notevole importanza per le applicazioni aziendali.
4
Previsioni con modelli ARIMA
I modelli ARIMA offrono un altro approccio alle previsioni di serie temporali. Lo smorzamento esponenziale e i modelli ARIMA sono i due approcci più diffusi per le previsioni di serie temporali e forniscono strategie complementari al problema. Mentre i modelli di smorzamento esponenziale si basano su una descrizione del trend e della stagionalità nei dati, i modelli ARIMA mirano a descrivere le autocorrelazioni presenti nei dati.
5
Metodi avanzati
I modelli di serie temporali dei capitoli precedenti funzionano bene per molte serie, ma spesso non sono adatti a dati settimanali o orari e non consentono di includere altre informazioni come gli effetti delle festività, l’attività dei concorrenti, cambiamenti normativi, ecc. In questo capitolo vedrai alcuni metodi che gestiscono una stagionalità più complessa e considererai come estendere i modelli ARIMA per includere anche altre informazioni.
R
Previsioni in R
Corso
completato
