Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
Use previsões no R para tomar decisões baseadas em dados
Este curso oferece uma introdução à previsão de séries temporais usando R.Prever é fazer previsões sobre o futuro. É necessário em muitas situações, como decidir se vai construir outra usina de geração de energia nos próximos dez anos ou programar a equipe de um call center para a próxima semana.
As previsões podem ser necessárias com vários anos de antecedência (no caso de investimentos de capital) ou apenas alguns minutos antes (no caso do roteamento de telecomunicações). Independentemente das circunstâncias ou dos prazos envolvidos, previsões confiáveis são essenciais para uma boa tomada de decisão baseada em dados.
Crie modelos de previsão precisos com ARIMA e suavização exponencial
Você vai começar esse curso criando objetos de séries temporais no R para plotar seus dados e descobrir tendências, sazonalidade e ciclos repetidos. Você vai conhecer o conceito de ruído branco e ver como fazer um teste de Ljung-Box para confirmar a aleatoriedade antes de seguir para o próximo capítulo, que fala sobre métodos de benchmarking e precisão de previsão.Ser capaz de testar e medir a precisão das suas previsões é essencial para desenvolver modelos úteis. Este curso analisa vários métodos antes de mergulhar no alisamento exponencial e nos modelos ARIMA, que são duas das abordagens mais usadas para previsão de séries temporais.
Antes de terminar o curso, você vai aprender a usar modelos ARIMA avançados para incluir informações extras neles, como feriados e atividades dos concorrentes.
Pré-requisitos
Programa de estudos
Conteúdo do curso
1
Explorando e visualizando séries temporais em R
A primeira coisa a fazer em qualquer análise de dados é plotar os dados. Gráficos permitem visualizar muitos aspectos dos dados, incluindo padrões, observações incomuns e mudanças ao longo do tempo. As características vistas nos gráficos dos dados devem então ser incorporadas, na medida do possível, aos métodos de previsão que serão usados.
- Bem-vindo(a) à previsão em R50 XP
- Criando objetos de séries temporais em R100 XP
- Gráficos de séries temporais100 XP
- Gráficos sazonais100 XP
- Tendências, sazonalidade e ciclicidade50 XP
- Autocorrelação de séries temporais não sazonais100 XP
- Autocorrelação de séries temporais sazonais e cíclicas100 XP
- Associe a ACF à série temporal50 XP
- Ruído branco50 XP
- Preços de ações e ruído branco100 XP
2
Métodos de referência e precisão de previsões
Neste capítulo, você vai aprender ferramentas gerais úteis para muitas situações de previsão. Ele descreve alguns métodos de previsão de referência, métodos para verificar se um método de previsão aproveitou adequadamente as informações disponíveis e métodos para medir a precisão das previsões. Cada uma das ferramentas discutidas aqui será utilizada repetidamente nos capítulos seguintes, à medida que você desenvolve e explora uma variedade de métodos de previsão.
3
Suavização exponencial
Previsões produzidas com métodos de suavização exponencial são médias ponderadas das observações passadas, com pesos que decaem exponencialmente à medida que as observações ficam mais antigas. Em outras palavras, quanto mais recente a observação, maior o peso associado. Essa abordagem gera previsões confiáveis de forma rápida e para uma ampla gama de séries temporais, o que é uma grande vantagem e de grande importância para aplicações em negócios.
4
Previsão com modelos ARIMA
Modelos ARIMA oferecem outra abordagem para previsão de séries temporais. Suavização exponencial e modelos ARIMA são as duas abordagens mais usadas para previsão de séries temporais e fornecem abordagens complementares ao problema. Enquanto modelos de suavização exponencial se baseiam em uma descrição da tendência e da sazonalidade nos dados, modelos ARIMA buscam descrever as autocorrelações nos dados.
5
Métodos avançados
Os modelos de séries temporais dos capítulos anteriores funcionam bem para muitas séries, mas muitas vezes não são bons para dados semanais ou horários e não permitem incluir outras informações, como efeitos de feriados, atividade de concorrentes, mudanças na legislação etc. Neste capítulo, você verá alguns métodos que lidam com sazonalidade mais complexa e considerará como estender modelos ARIMA para permitir a inclusão de outras informações neles.
R
Previsão em R
Curso
concluído
