Build your ultimate AI agent
Opis kursu
Wykorzystaj prognozowanie w R do podejmowania decyzji opartych na danych
Ten kurs wprowadza do prognozowania szeregów czasowych z użyciem R.Prognozowanie polega na przewidywaniu przyszłości. Jest to wymagane w wielu sytuacjach, na przykład przy podejmowaniu decyzji, czy zbudować kolejną elektrownię w ciągu najbliższych dziesięciu lat, albo przy planowaniu grafiku pracowników w call center na przyszły tydzień.
Prognozy mogą być potrzebne z kilkuletnim wyprzedzeniem (w przypadku inwestycji kapitałowych) albo tylko na kilka minut wcześniej (w przypadku routingu telekomunikacyjnego). Niezależnie od okoliczności czy horyzontu czasowego, rzetelne prognozowanie jest niezbędne do podejmowania trafnych decyzji opartych na danych.
Twórz dokładne modele prognozowania z ARIMA i wygładzaniem wykładniczym
Zaczniesz ten kurs od tworzenia obiektów szeregów czasowych w R, aby wizualizować swoje dane i odkrywać trendy, sezonowość oraz powtarzające się cykle. Poznasz pojęcie białego szumu i zobaczysz, jak przeprowadzić test Ljunga-Boxa, aby potwierdzić losowość, zanim przejdziesz do następnego rozdziału, który szczegółowo omawia metody benchmarkingu i dokładność prognoz.Umiejętność testowania i mierzenia dokładności prognoz jest niezbędna do tworzenia użytecznych modeli. Ten kurs omawia różnorodne metody, zanim przejdzie do wygładzania wykładniczego i modeli ARIMA, czyli dwóch z najczęściej stosowanych podejść do prognozowania szeregów czasowych.
Zanim ukończysz kurs, nauczysz się korzystać z zaawansowanych modeli ARIMA, aby uwzględniać w nich dodatkowe informacje, takie jak święta i działania konkurencji.
Wymagania wstępne
Program kursu
Plan kursu
1
Eksploracja i wizualizacja szeregów czasowych w R
Pierwszym krokiem w każdej analizie danych jest wizualizacja. Wykresy pozwalają dostrzec wiele cech danych: wzorce, nietypowe obserwacje i zmiany w czasie. Wszystko, co uda się zaobserwować na wykresach, powinno być – w miarę możliwości – uwzględnione w stosowanych metodach prognozowania.
- Witaj w kursie Forecasting in R50 XP
- Tworzenie obiektów szeregów czasowych w R100 XP
- Wykresy szeregów czasowych100 XP
- Wykresy sezonowe100 XP
- Trendy, sezonowość i cykliczność50 XP
- Autokorelacja szeregu czasowego bez sezonowości100 XP
- Autokorelacja sezonowych i cyklicznych szeregów czasowych100 XP
- Dopasuj ACF do szeregu czasowego50 XP
- Biały szum50 XP
- Ceny akcji i biały szum100 XP
2
Metody referencyjne i dokładność prognoz
W tym rozdziale poznasz ogólne narzędzia przydatne w różnych sytuacjach prognozowania. Omówione zostaną metody prognozowania referencyjnego, metody sprawdzania, czy dana metoda prognozowania w pełni wykorzystuje dostępne informacje, a także metody mierzenia dokładności prognoz. Każde z tych narzędzi będzie wielokrotnie stosowane w kolejnych rozdziałach, podczas gdy będziesz rozwijać i zgłębiać różne metody prognozowania.
3
Wygładzanie wykładnicze
Prognozy uzyskiwane metodami wygładzania wykładniczego są ważonymi średnimi przeszłych obserwacji, przy czym wagi maleją wykładniczo wraz ze starszymi obserwacjami. Innymi słowy, im nowsza obserwacja, tym większa przypisana jej waga. To podejście pozwala szybko uzyskiwać wiarygodne prognozy dla szerokiej gamy szeregów czasowych, co stanowi jego dużą zaletę i ma kluczowe znaczenie w zastosowaniach biznesowych.
4
Prognozowanie z użyciem modeli ARIMA
Modele ARIMA to kolejne podejście do prognozowania szeregów czasowych. Wygładzanie wykładnicze i modele ARIMA to dwie najszerzej stosowane metody prognozowania szeregów czasowych – uzupełniają się nawzajem. O ile modele wygładzania wykładniczego opierają się na opisie trendu i sezonowości w danych, o tyle modele ARIMA mają na celu opisanie autokorelacji w danych.
5
Metody zaawansowane
Modele szeregów czasowych omówione w poprzednich rozdziałach sprawdzają się w wielu przypadkach, ale często nie są odpowiednie dla danych tygodniowych lub godzinowych i nie uwzględniają dodatkowych informacji – takich jak wpływ świąt, aktywności konkurencji czy zmian przepisów prawa. W tym rozdziale przyjrzysz się metodom obsługującym bardziej złożoną sezonowość i zobaczysz, jak rozszerzyć modele ARIMA, aby możliwe było uwzględnienie w nich dodatkowych informacji.
R
Prognozowanie w R
Kurs
ukończony
