Kategorie: Analiza danych, statystyka, data science, AI, R
Szkolenie obejmuje podstawowe techniki szeroko rozumianej analizowany szeregów czasowych ze szczególnym naciskiem na, tak automatycznej jak to tylko możliwe, metody prognozowania tychże szeregów. Celem szkolenia jest zapoznanie uczestników z najpopularniejszymi metodami analizy i prognozowania szeregów czasowych i ich implementacjami tychże metod w R. Osoba, która ukończy szkolenie, będzie potrafiła dobrać odpowiednią metodę do szeregu czasowego, którego własności chce przeanalizować lub którego wartości chce zaprognozować. Będzie też potrafiła wykonać odpowiednie obliczenia w R i zinterpretować ich wyniki.
Program szkolenia kładzie dużo większy nacisk na praktyczne stosowania omawianych technik niż na stojącą za nimi teorię. Teoretyczne aspekty analizy danych są uczestnikom sygnalizowane, tak by byli oni świadomi nie tylko zalet ale też i wad stosowanych przez siebie metod.
Gros szkolenia stanowią warsztaty praktyczne, podczas których wykorzystywany jest język R. Podstawowa jego znajomość jest więc bardzo przydatnym atutem. Nie jest jednak obowiązkowa. Wszystkie wykorzystywane podczas szkolenia pakiety (czyli rozszerzenia) R są „samowystarczalne” – nie wymagają żadnej znajomości poleceń spoza omawianego podczas szkolenia obszaru.
Czas trwania
3 dni
Program
- Podstawowe pojęcia
- Szereg czasowy, stacjonarność, autokorelacja
- Prognoza, błąd prognozy
- Wizualizacja szeregów czasowych
- Najprostsze metody prognozowania, miary dokładności prognoz
- Metoda naiwna, metoda średniej, metoda dryfu
- Błąd średni, błąd absolutny, błąd średniokwadratowy
- Sezonowość, cykliczność, trend
- Rodzaje trendów
- Sezonowość i cykliczność – różnice i podobieństwa
- Metody dekompozycji szeregów czasowych
- Wygładzanie wykładnicze, modele ETS
- Proste wygładzanie wykładnicze – model Browna
- Wygładzanie wykładnicze z trendem – model Holta
- Wygładzanie wykładnicze z sezonowością – model Holta-Wintersa
- Notacja ETS – 30 modeli wygładzania wykładniczego
- Metody wyboru modelu
- Automatyczny wybór najlepszego modelu ETS w programie R
- Modele ARIMA
- Modele autoregresyjne – AR, modele średniej kroczącej – MA
- Różnicowanie
- Modele ARIMA
- Metody wyboru modelu
- Automatyczny wybór najlepszego modelu ARIMA w programie R
- Modele ARIMA z komponentem sezonowym (SARIMA)
- Sezonowe modele AR, MA
- Różnicowanie sezonowe
- Automatyczny wybór najlepszego modelu SARIMA w programie R
- Modele ARCH i GARCH
- Model TBATS
- Algorytm Prophet
- Wielowymiarowe szeregi czasowe
- Model VAR
- Model VECM
- Kointegracja szeregów czasowych
- Hierarchiczne szeregi czasowe
Training also available in English.
Przeznaczenie i wymagania
Brak szczegółowych wymagań wobec uczestników szkolenia.
Certyfikaty
Uczestnicy szkolenia otrzymują imienne certyfikaty sygnowane przez ALX.