Time Series Forecasting Using Python - eLearning
450,00 EUR
- 10 hours
Erwerben Sie ein solides Fundament in der Prognose zukünftiger Entwicklungen mit dem Kurs „Time Series Forecasting“, der Ihnen dabei hilft, historische Daten in präzise Vorhersagen zu verwandeln. Dieser Kurs führt in grundlegende statistische und Machine-Learning-Verfahren ein, mit denen zeitabhängige Daten analysiert und Muster wie Trends, Saisonalität und Zyklen aufgedeckt werden können.
Hauptfunktionen
Sprache
Kurs und Materialien auf Englisch
Stufe
Anfängerniveau
Zugriff
1 Jahr Zugang zur Lernplattform
5 Stunden Video-on-Demand
mit über 10 Stunden empfohlener Lernzeit
25 praktische Übungen
2 umfassende Aufgaben
Zertifikat
Zertifikat über den Abschluss des Programms inbegriffen
Lernergebnisse
Am Ende dieses Kurses werden Sie Folgendes verstehen können:
Kernkonzepte
Beherrsche die grundlegenden Konzepte der Zeitreihenanalyse, einschließlich ihrer Komponenten und der Stationarität
Techniken
Erkunde multivariate Prognoseverfahren wie SARIMAX- und VAR-Modelle
Verwenden Sie Facebook Prophet für schnelle und präzise Zeitreihenprognosen
Bewerten
Bewerten Sie die Modellleistung anhand wichtiger Kennzahlen, um Genauigkeit und Zuverlässigkeit zu messen
Analysieren
Analysiere reale Zeitreihendaten mit der Yahoo Finance API, um aussagekräftige finanzielle Erkenntnisse zu gewinnen
Kurszeitplan
Das Konzept der Zeitreihe und ihre Komponenten
Lektion 01
- Das Konzept und die Notwendigkeit der Zeitreihenanalyse
- Granularität, Frequenz und Horizont in der Zeitreihenanalyse
- Datenextraktion mit Yahoo Finance
- Zeitreihenkomponenten: Niveau, Trend, Saisonalität, Zyklizität und Rauschen
- Umgang mit fehlenden Werten und Ausreißern in Zeitreihen
- Additive und multiplikative Zerlegung
Umgang mit Stationarität
Lektion 02
- Weißes Rauschen
- Zufällige Bewegung
- Das Konzept der Stationarität
- Erkennen und Umgang mit Stationarität
- Statistischer Test zur Erkennung von Stationarität: KPSS- vs. ADF-Test
- Granger-Kausalitätstest
- Anomalieerkennung mit Isolation Forest
Stationarität und Lag-Identifikation
Lektion 03
- Autokorrelation und Korrelation
- Granger-Kausalitätstest
- Autokorrelationsfunktion (ACF)
- Partielle Autokorrelationsfunktion (PACF)
- Bestimmung von Verzögerungen mit ACF und PACF
Grundlegende Zeitreihenmodelle
Lektion 04
- Naive Methode
- Einfache Durchschnittsmethode, Gleitender-Durchschnitts-(MA-)Modell
- Durchführung von Prognosen mit dem MA-Modell
- Autoregressives Modell (AR)
- Ausführung von Vorhersagen mit dem AR-Modell
- Holt-Winters-Exponentielle Glättung
- Einfache exponentielle Glättung
- Doppelte exponentielle Glättung
Leistungsmessung
Lektion 05
- Leistungskennzahlen für Zeitreihenanalyse
- Erkennung der Leistungsfähigkeit der Modelle
- Vergleichen Sie die Leistung der Modelle
Fortgeschrittene Zeitreihenmodelle
Lektion 06
- Autoregressives gleitendes Durchschnittsmodell (ARMA-Modell)
- Durchführung von Prognosen mit dem ARMA-Modell
- Autoregressives Integriertes Gleitender-Durchschnitts-Modell (ARIMA-Modell)
- Prognosen mit ARIMA ausführen
- Saisonales autoregressives integriertes gleitendes Durchschnittsmodell (SARIMA)
- Ausführen von Vorhersagen mit SARIMA
Multivariate Zeitreihenanalyse
Lektion 07
- Das Konzept endogener und exogener Variablen
- Einführung in SARIMAX: Ein kurzer theoretischer Hintergrund
- Modellierung mit SARIMAX
- Ausführen von Vorhersagen mit SARIMAX
- Einführung in VAR
- Modellierung mit VAR
- Durchführen von Prognosen mit VAR
Zeitreihenprognosen mit Facebook Prophet
Lektion 08
- Aufstieg des Propheten
- Hauptparameter in Prophet
- Modellierung mit Prophet
- Vorhersagen mit Prophet ausführen
Für wen ist dieses Programm geeignet?
Angehende Data Scientists und Data Analysts
Business-Analysten, die mit Vertriebs-, Finanz- oder Betriebsdaten arbeiten
Softwareentwickler, die in Data-Science-Rollen wechseln
Fachkräfte, die in der Bedarfsplanung oder Absatzprognose tätig sind
Alle, die sich für Predictive Analytics und zeitbasierte Daten interessieren
Studierende und Absolventen, die Karrierewege in Analytics oder KI erkunden
Voraussetzungen
- Grundlegendes Verständnis von Statistik und Wahrscheinlichkeitsrechnung
- Vertrautheit mit Python oder einer anderen Programmiersprache (bevorzugt, aber nicht zwingend erforderlich)
- Grundkenntnisse in Datenverarbeitung oder Excel
- Analytische und logische Denkfähigkeiten
- Es sind keine fortgeschrittenen Kenntnisse in Prognosen erforderlich.
Aussagen
Lizenzierung und Akkreditierung
Dieser Kurs wird gemäß der Partnerprogramm-Vereinbarung angeboten und entspricht den Anforderungen der Lizenzvereinbarung.
Gleichstellungspolitik
Kandidaten werden ermutigt, sich während des gesamten Anpassungsprozesses für Beratung und Unterstützung an die AVC zu wenden.
Häufig gestellte Fragen
Benötigen Sie Unternehmenslösungen oder eine LMS-Integration?
Haben Sie nicht den Kurs oder das Programm gefunden, das für Ihr Unternehmen geeignet wäre? Benötigen Sie eine LMS-Integration? Schreiben Sie uns! Wir werden alles lösen!