After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Описание курса
Используйте прогнозирование в R для принятия решений на основе данных
Этот курс знакомит с прогнозированием временных рядов с использованием R.Прогнозирование — это процесс построения прогнозов на будущее. Это требуется во многих ситуациях, например при принятии решения о том, стоит ли строить ещё одну электростанцию в ближайшие десять лет или планировать смены сотрудников в колл-центре на следующей неделе.
Прогнозы могут потребоваться за несколько лет вперёд (в случае капитальных инвестиций) или всего за несколько минут до события (для маршрутизации телекоммуникаций). Какими бы ни были обстоятельства или временные горизонты, надежное прогнозирование необходимо для принятия качественных решений на основе данных.
Создавайте точные модели прогнозирования с помощью ARIMA и экспоненциального сглаживания
Вы начнёте этот курс с создания объектов временных рядов в R, чтобы визуализировать ваши данные и выявлять тренды, сезонность и повторяющиеся циклы. Вас познакомят с понятием белого шума, и вы узнаете, как провести тест Льюнга — Бокса, чтобы подтвердить случайность, прежде чем перейти к следующей главе, в которой подробно рассматриваются методы бенчмаркинга и точность прогнозов.Возможность тестировать и измерять точность ваших прогнозов необходима для создания практичных моделей. Этот курс рассматривает различные методы, прежде чем перейти к экспоненциальному сглаживанию и моделям ARIMA, которые являются двумя наиболее широко используемыми подходами к прогнозированию временных рядов.
Прежде чем вы завершите курс, вы узнаете, как использовать продвинутые модели ARIMA, чтобы включать в них дополнительную информацию, такую как праздники и активность конкурентов.
Предварительные требования
Программа
Структура курса
1
Исследование и визуализация временных рядов в R
Любой анализ данных следует начинать с построения графиков. Визуализация позволяет выявить многие особенности данных: закономерности, аномальные наблюдения и изменения во времени. Всё, что удаётся обнаружить на графиках, необходимо по возможности учитывать при выборе методов прогнозирования.
- Добро пожаловать в курс «Прогнозирование в R»50 XP
- Создание объектов временных рядов в R100 XP
- Графики временных рядов100 XP
- Сезонные графики100 XP
- Тренды, сезонность и цикличность50 XP
- Автокорреляция несезонных временных рядов100 XP
- Автокорреляция сезонных и циклических временных рядов100 XP
- Сопоставьте ACF с временным рядом50 XP
- Белый шум50 XP
- Цены на акции и белый шум100 XP
2
Базовые методы и точность прогнозов
В этой главе вы познакомитесь с универсальными инструментами, полезными в самых разных задачах прогнозирования. Вы изучите базовые методы прогнозирования, способы проверки того, насколько полно метод использует имеющуюся информацию, а также подходы к оценке точности прогнозов. Все рассмотренные инструменты будут применяться в последующих главах по мере освоения различных методов прогнозирования.
3
Экспоненциальное сглаживание
Прогнозы, полученные методами экспоненциального сглаживания, представляют собой взвешенные средние прошлых наблюдений, причём веса экспоненциально убывают по мере удаления наблюдений во времени. Иными словами, чем свежее наблюдение, тем выше его вес. Этот подход позволяет быстро строить надёжные прогнозы для широкого круга временных рядов, что делает его особенно ценным для бизнес-приложений.
4
Прогнозирование с помощью моделей ARIMA
Модели ARIMA предлагают альтернативный подход к прогнозированию временных рядов. Экспоненциальное сглаживание и модели ARIMA — два наиболее распространённых подхода в этой области, и они дополняют друг друга. Если модели экспоненциального сглаживания описывают тренд и сезонность данных, то модели ARIMA направлены на описание автокорреляционной структуры временного ряда.
5
Продвинутые методы
Модели временных рядов из предыдущих глав хорошо работают во многих случаях, однако они нередко плохо справляются с недельными или почасовыми данными и не позволяют учитывать дополнительные факторы — праздники, активность конкурентов, изменения в законодательстве и т. д. В этой главе вы познакомитесь с методами, предназначенными для работы с более сложной сезонностью, а также рассмотрите способы расширения моделей ARIMA для включения дополнительной информации.
R
Прогнозирование в R
Курс
завершён
