After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrierea cursului
Folosește Forecasting în R pentru luarea deciziilor bazată pe date
Acest curs oferă o introducere în prognoza seriilor temporale folosind R.Previzionarea presupune realizarea de predicții despre viitor. Este necesar în multe situații, cum ar fi să decizi dacă să construiești o altă centrală de producere a energiei în următorii zece ani sau să programezi personalul într-un call center săptămâna viitoare.
Previziunile pot fi necesare cu câțiva ani înainte (în cazul investițiilor de capital) sau doar cu câteva minute înainte (pentru rutarea în telecomunicații). Indiferent de circumstanțe sau de orizontul de timp implicat, prognozarea fiabilă este esențială pentru luarea unor decizii bune, bazate pe date.
Construiește modele de prognoză precise cu ARIMA și smoothing exponențial
Vei începe acest curs prin crearea de obiecte de tip serie temporală în R, pentru a-ți reprezenta datele în grafice și a descoperi tendințe, sezonalitate și cicluri repetate. Vei face cunoștință cu conceptul de zgomot alb și vei vedea cum poți efectua un test Ljung-Box pentru a confirma caracterul aleatoriu înainte de a trece la capitolul următor, care detaliază metodele de benchmark și acuratețea prognozelor.A putea testa și măsura acuratețea prognozei tale este esențial pentru dezvoltarea unor modele utilizabile. Acest curs trece în revistă o varietate de metode înainte de a intra în detaliu în smoothing exponențial și modelele ARIMA, care sunt două dintre cele mai utilizate abordări pentru prognoza seriilor temporale.
Înainte de a finaliza cursul, vei învăța cum să folosești modele ARIMA avansate pentru a include informații suplimentare în ele, precum sărbătorile și activitatea concurenței.
Cerințe prealabile
Curriculum
Structura cursului
1
Explorarea și vizualizarea seriilor de timp în R
Primul pas în orice analiză de date este reprezentarea grafică a datelor. Graficele permit vizualizarea multor caracteristici ale datelor, inclusiv tipare, observații neobișnuite și modificări în timp. Caracteristicile identificate în grafice trebuie apoi integrate, pe cât posibil, în metodele de prognoză utilizate.
- Bun venit la Prognoze cu R50 XP
- Crearea obiectelor de tip serie de timp în R100 XP
- Grafice pentru serii de timp100 XP
- Grafice sezoniere100 XP
- Tendințe, sezonalitate și ciclicitate50 XP
- Autocorelajia seriilor de timp non-sezoniere100 XP
- Autocorelația seriilor de timp sezoniere și ciclice100 XP
- Asociază ACF-ul cu seria de timp50 XP
- Zgomot alb50 XP
- Prețurile acțiunilor și zgomotul alb100 XP
2
Metode de referință și acuratețea prognozelor
În acest capitol vei învăța instrumente generale utile pentru o gamă largă de situații de prognozare. Vei explora câteva metode de prognoză de referință, metode pentru a verifica dacă o metodă de prognoză a utilizat în mod adecvat informațiile disponibile, precum și metode de măsurare a acurateței prognozelor. Fiecare dintre instrumentele prezentate în acest capitol va fi folosit în mod repetat în capitolele următoare, pe măsură ce vei dezvolta și explora diverse metode de prognoză.
3
Netezire exponențială
Prognozele obținute prin metode de netezire exponențială sunt medii ponderate ale observațiilor anterioare, în care ponderile scad exponențial pe măsură ce observațiile sunt mai vechi. Cu alte cuvinte, cu cât o observație este mai recentă, cu atât ponderea asociată ei este mai mare. Acest cadru generează prognoze fiabile rapid și pentru o gamă largă de serii de timp – un avantaj major cu aplicații importante în mediul de afaceri.
4
Prognozare cu modele ARIMA
Modelele ARIMA oferă o altă abordare a prognozării seriilor de timp. Netezirea exponențială și modelele ARIMA sunt cele mai utilizate două abordări în prognozarea seriilor de timp și oferă perspective complementare asupra acestei probleme. În timp ce modelele de netezire exponențială se bazează pe descrierea tendinței și a sezonalității din date, modelele ARIMA urmăresc să descrie autocorelațiile din date.
5
Metode avansate
Modelele de serii de timp din capitolele anterioare funcționează bine pentru multe serii de timp, însă adesea nu sunt potrivite pentru date săptămânale sau orare și nu permit includerea altor informații, cum ar fi efectele sărbătorilor, activitatea concurenților, modificările legislative etc. În acest capitol vei explora câteva metode care gestionează o sezonalitate mai complexă și vei vedea cum poți extinde modelele ARIMA pentru a include și alte tipuri de informații.
R
Prognoze în R
Curs
finalizat
