After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kurs Açıklaması
Veriye Dayalı Karar Vermede R ile Tahminleme Kullanın
Bu kurs, R kullanarak zaman serisi tahminine bir giriş sunar.Tahminleme, geleceğe yönelik öngörülerde bulunmayı içerir. Bir sonraki on yıl içinde başka bir enerji üretim tesisi kurup kurmamaya karar vermek veya gelecek hafta bir çağrı merkezinde personel planlaması yapmak gibi birçok durumda gereklidir.
Tahminler, sermaye yatırımları durumunda birkaç yıl önceden ya da telekomünikasyon yönlendirmesi için yalnızca birkaç dakika önceden gerekli olabilir. Koşullar veya zaman ufukları ne olursa olsun, güvenilir tahminleme, iyi veri odaklı karar verme için vazgeçilmezdir.
ARIMA ve Üstel Düzeltme ile Doğru Tahmin Modelleri Oluşturun
Bu kursa, verilerinizi görselleştirmek ve trendleri, mevsimselliği ve tekrarlayan döngüleri keşfetmek için R’de zaman serisi nesneleri oluşturarak başlayacaksınız. Beyaz gürültü kavramıyla tanışacak ve rastgeleliği doğrulamak için Ljung-Box testini nasıl uygulayabileceğinizi inceleyecek, ardından kıyaslama yöntemleri ve tahmin doğruluğunu ayrıntılı olarak ele alan bir sonraki bölüme geçeceksiniz.Kullanılabilir modeller geliştirmek için tahmin doğruluğunuzu test edebilmek ve ölçebilmek çok önemlidir. Bu kurs, zaman serisi tahmininde en yaygın kullanılan iki yaklaşımdan olan üstel düzeltme ve ARIMA modellerine geçmeden önce çeşitli yöntemleri gözden geçirir.
Kursu tamamlamadan önce, tatiller ve rakip faaliyetleri gibi ek bilgileri dahil etmek için gelişmiş ARIMA modellerini nasıl kullanacağınızı öğreneceksiniz.
Ön Koşullar
Müfredat
Kurs içeriği
1
R'de zaman serilerini keşfetme ve görselleştirme
Her veri analizi görevinde yapılacak ilk şey veriyi görselleştirmektir. Grafikler, verideki örüntüler, olağandışı gözlemler ve zamana bağlı değişimler dahil birçok özelliğin görülmesini sağlar. Verinin grafikleriyle görülen bu özellikler, mümkün olduğunca, kullanılacak tahminleme yöntemlerine dâhil edilmelidir.
- R ile Tahminlemeye Hoş Geldin50 XP
- R'de zaman serisi nesneleri oluşturma100 XP
- Zaman serisi grafikleri100 XP
- Mevsimsel grafikler100 XP
- Trendler, mevsimsellik ve çevrimlilik50 XP
- Mevsimsellik içermeyen zaman serilerinde otokorelasyon100 XP
- Mevsimsel ve döngüsel zaman serilerinde otokorelasyon100 XP
- ACF'yi zaman serisiyle eşleştir50 XP
- Beyaz gürültü50 XP
- Hisse senedi fiyatları ve beyaz gürültü100 XP
2
Kıyas yöntemleri ve tahmin doğruluğu
Bu bölümde, pek çok farklı tahminleme durumu için faydalı genel araçlar öğreneceksin. Kıyas (benchmark) tahminleme yöntemlerini, bir tahminleme yönteminin mevcut bilgiyi yeterince kullanıp kullanmadığını kontrol etme yöntemlerini ve tahmin doğruluğunu ölçme yöntemlerini açıklayacak. Bu bölümde tartışılan araçların her biri, sonraki bölümlerde çeşitli tahminleme yöntemlerini geliştirip keşfederken tekrar tekrar kullanılacak.
3
Üstel düzeltme
Üstel düzeltme yöntemleriyle üretilen tahminler, geçmiş gözlemlerin ağırlıklı ortalamalarıdır ve gözlemler eskidikçe ağırlıklar üstel olarak azalır. Başka bir deyişle, gözlem ne kadar yakın zamansa, ona verilen ağırlık o kadar yüksektir. Bu çerçeve, geniş bir zaman serisi yelpazesi için hızlı ve güvenilir tahminler üretir; bu da özellikle iş uygulamaları açısından büyük bir avantaj ve önemli bir etkendir.
4
ARIMA modelleriyle tahminleme
ARIMA modelleri, zaman serisi tahminlemesine başka bir yaklaşım sunar. Üstel düzeltme ve ARIMA modelleri, zaman serisi tahminlemesinde en yaygın kullanılan iki yaklaşımdır ve probleme tamamlayıcı bakışlar sağlar. Üstel düzeltme modelleri verideki eğilim ve mevsimselliği betimlemeye dayanırken, ARIMA modelleri verideki otokorelasyonları betimlemeyi amaçlar.
5
İleri yöntemler
Önceki bölümlerdeki zaman serisi modelleri birçok zaman serisi için iyi çalışsa da, haftalık veya saatlik verilerde çoğu zaman yeterli değildir ve tatil etkileri, rakip faaliyetleri, yasal değişiklikler gibi başka bilgilerin dâhil edilmesine izin vermez. Bu bölümde, daha karmaşık mevsimselliği ele alan bazı yöntemlere bakacak ve ARIMA modellerini, diğer bilgilerin de modele dâhil edilebilmesini sağlayacak şekilde nasıl genişletebileceğini inceleyeceksin.
R
R ile Tahminleme
Kurs
Tamamlandı
