After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Cursusbeschrijving
Gebruik prognoses in R voor beslissingen op basis van data
Deze cursus laat je kennismaken met het voorspellen van tijdreeksen met R.Voorspellen betekent dat je dingen over de toekomst bedenkt. Het is in veel situaties nodig, zoals bij het beslissen of er in de komende tien jaar nog een energiecentrale gebouwd moet worden of bij het plannen van het personeel in een callcenter voor volgende week.
Voorspellingen kunnen een paar jaar van tevoren nodig zijn (bijvoorbeeld voor grote investeringen) of maar een paar minuten van tevoren (zoals bij telecommunicatie). Wat de omstandigheden of tijdshorizon ook zijn, betrouwbare prognoses zijn superbelangrijk voor goede, op data gebaseerde beslissingen.
Maak nauwkeurige voorspellingsmodellen met ARIMA en exponentiële afvlakking
Je begint deze cursus met het maken van tijdreeksobjecten in R om je gegevens in kaart te brengen en trends, seizoensinvloeden en terugkerende cycli te ontdekken. Je maakt kennis met het concept van witte ruis en kijkt hoe je een Ljung-Box-test kunt uitvoeren om de willekeurigheid te checken, voordat je verdergaat naar het volgende hoofdstuk, waarin benchmarkingmethoden en voorspellingsnauwkeurigheid worden uitgelegd.Het is superbelangrijk om te kunnen testen en meten hoe goed je voorspellingen zijn, zodat je modellen kunt maken die echt werken. Deze cursus bekijkt verschillende methodes voordat we dieper ingaan op exponentiële afvlakking en ARIMA-modellen, twee van de meest gebruikte manieren om tijdreeksvoorspellingen te doen.
Voordat je de cursus afrondt, leer je hoe je geavanceerde ARIMA-modellen kunt gebruiken om extra info erin op te nemen, zoals feestdagen en wat concurrenten doen.
Vereisten
Curriculum
Cursusoverzicht
1
Tijdreeksen verkennen en visualiseren in R
Het eerste wat je bij elke data-analyse doet, is de data plotten. Grafieken maken allerlei kenmerken van de data zichtbaar, zoals patronen, opvallende waarnemingen en veranderingen door de tijd. De kenmerken die je in de grafieken ziet, moeten vervolgens waar mogelijk worden verwerkt in de voorspelmethoden die je gaat gebruiken.
- Welkom bij Forecasting met R50 XP
- Tijdreeksobjecten maken in R100 XP
- Tijdreeksplots100 XP
- Seizoensplots100 XP
- Trends, seizoenspatronen en cycliciteit50 XP
- Autocorrelatie van niet-seizoensgebonden tijdreeksen100 XP
- Autocorrelatie van seizoens- en cyclische tijdreeksen100 XP
- Koppel de ACF aan de tijdreeks50 XP
- Witte ruis50 XP
- Aandelenkoersen en witte ruis100 XP
2
Benchmarkmethoden en voorspelnauwkeurigheid
In dit hoofdstuk leer je algemene tools die handig zijn voor veel verschillende voorspelsituaties. We bespreken enkele methoden voor benchmarkvoorspellingen, methoden om te controleren of een voorspelmethode de beschikbare informatie voldoende heeft benut, en methoden om de voorspelnauwkeurigheid te meten. Elk van de tools uit dit hoofdstuk gebruik je herhaaldelijk in de volgende hoofdstukken, terwijl je een reeks voorspelmethoden ontwikkelt en verkent.
3
Exponentiële smoothing
Voorspellingen met exponentiële smoothing zijn gewogen gemiddelden van eerdere waarnemingen, waarbij de gewichten exponentieel afnemen naarmate de waarnemingen ouder zijn. Met andere woorden: hoe recenter de waarneming, hoe groter het bijbehorende gewicht. Dit raamwerk levert snel betrouwbare voorspellingen op voor een breed scala aan tijdreeksen, wat een groot voordeel is en van groot belang voor toepassingen in het bedrijfsleven.
4
Voorspellen met ARIMA-modellen
ARIMA-modellen bieden een andere aanpak voor tijdreeksvoorspellen. Exponentiële smoothing en ARIMA-modellen zijn de twee meest gebruikte benaderingen voor tijdreeksvoorspellen en vormen complementaire methoden voor dit probleem. Waar exponentiële smoothing-modellen zijn gebaseerd op een beschrijving van de trend en seizoenspatronen in de data, proberen ARIMA-modellen de autocorrelaties in de data te beschrijven.
5
Geavanceerde methoden
De tijdreeksmodellen uit de vorige hoofdstukken werken goed voor veel tijdreeksen, maar vaak minder goed voor wekelijkse of uurlijkse data, en ze bieden geen ruimte om andere informatie op te nemen, zoals de effecten van feestdagen, activiteiten van concurrenten, wetswijzigingen, enzovoort. In dit hoofdstuk bekijk je enkele methoden die ingewikkeldere seizoenspatronen aankunnen, en verken je hoe je ARIMA-modellen kunt uitbreiden om andere informatie in de modellen op te nemen.
R
Voorspellen in R
Cursus
voltooid
