Efter att ha gått de här kurserna känner jag mig trygg med att skapa professionella visualiseringar och dashboards
Shoebur RahmanInköpsspecialist, Giz Bangladesh
Kursbeskrivning
Använd prognostisering i R för datadrivet beslutsfattande
Den här kursen ger en introduktion till prognostisering av tidsserier med R.Prognostisering innebär att göra förutsägelser om framtiden. Det krävs i många situationer, till exempel när man ska avgöra om man ska bygga ytterligare ett kraftverk under de kommande tio åren eller schemalägga personal i ett callcenter nästa vecka.
Prognoser kan behövas flera år i förväg (vid kapitalinvesteringar), eller bara några minuter i förväg (för telekommunikationsrouting). Oavsett omständigheterna eller tidshorisonten som är inblandade är tillförlitlig prognostisering avgörande för välgrundat datadrivet beslutsfattande.
Bygg exakta prognosmodeller med ARIMA och exponentiell utjämning
Du börjar den här kursen med att skapa tidsserieobjekt i R för att visualisera dina data och upptäcka trender, säsongsvariationer och återkommande cykler. Du kommer att introduceras till begreppet vitt brus och se hur du kan genomföra ett Ljung-Box-test för att bekräfta slumpmässighet innan du går vidare till nästa kapitel, som beskriver benchmarkmetoder och prognosnoggrannhet.Att kunna testa och mäta din prognosnoggrannhet är avgörande för att utveckla användbara modeller. Den här kursen går igenom en rad olika metoder innan den fördjupar sig i exponentiell utjämning och ARIMA-modeller, som är två av de mest använda metoderna för prognostisering av tidsserier.
Innan du avslutar kursen lär du dig hur du använder avancerade ARIMA-modeller för att inkludera ytterligare information i dem, såsom helgdagar och konkurrentaktivitet.
Förkunskapskrav
Kursplan
Kursöversikt
1
Utforska och visualisera tidsserier i R
Det första steget i varje dataanalys är att visualisera data. Diagram gör det möjligt att urskilja många egenskaper i data, däribland mönster, avvikande observationer och förändringar över tid. De mönster som syns i diagrammen bör sedan, så långt det är möjligt, beaktas i de prognosmetoder som används.
- Välkommen till Forecasting i R50 XP
- Skapa tidsserieobjekt i R100 XP
- Tidsseriegrafer100 XP
- Säsongsplotar100 XP
- Trender, säsongsmönster och cyklicitet50 XP
- Autokorrelation för icke-säsongsbaserade tidsserier100 XP
- Autokorrelation hos säsongsbetonade och cykliska tidsserier100 XP
- Matcha ACF med tidsserien50 XP
- Vitt brus50 XP
- Aktiekurser och vitbrus100 XP
2
Referensmetoder och prognosnoggrannhet
I det här kapitlet lär du dig generella verktyg som är användbara i många olika prognosticeringssituationer. Det behandlar referensmetoder för prognos, metoder för att kontrollera om en prognosmetod har utnyttjat tillgänglig information på ett adekvat sätt, samt metoder för att mäta prognosnoggrannhet. Alla verktyg som tas upp i kapitlet återkommer i efterföljande kapitel när du utvecklar och utforskar olika prognosmetoder.
3
Exponentiell utjämning
Prognoser som skapas med exponentiell utjämning är viktade medelvärden av tidigare observationer, där vikterna minskar exponentiellt ju äldre observationerna är. Med andra ord: ju nyare en observation är, desto högre vikt tilldelas den. Det här ramverket genererar tillförlitliga prognoser snabbt och för ett brett spektrum av tidsserier, vilket är en stor fördel och av central betydelse för affärsapplikationer.
4
Prognoser med ARIMA-modeller
ARIMA-modeller erbjuder en annan metod för tidsserieprognoser. Exponentiell utjämning och ARIMA-modeller är de två mest använda metoderna för tidsserieprognoser och kompletterar varandra väl. Medan modeller för exponentiell utjämning bygger på en beskrivning av trend och säsongsmönster i data, syftar ARIMA-modeller till att beskriva autokorrelationerna i data.
5
Avancerade metoder
Tidsseriemodellerna i tidigare kapitel fungerar bra för många tidsserier, men de passar ofta sämre för vecko- eller timdata, och de tillåter inte att annan information inkluderas – till exempel effekter av helgdagar, konkurrenters aktiviteter eller lagändringar. I det här kapitlet tittar du på metoder som hanterar mer komplex säsongsvariationen, och du undersöker hur ARIMA-modeller kan utökas för att inkludera sådan ytterligare information.
R
Prognoser i R
Kurs
slutförd
