Time Series Forecasting Using Python - eLearning
450,00 EUR
- 10 hours
Bouw een sterke basis in het voorspellen van toekomstige trends met de cursus Time Series Forecasting, ontworpen om je te helpen historische gegevens om te zetten in nauwkeurige voorspellingen. In deze cursus maak je kennis met essentiële statistische en machinelearning-technieken die worden gebruikt om tijdsgebonden data te analyseren en patronen te ontdekken, zoals trends, seizoensinvloeden en cycli.
Belangrijkste functies
Taal
Cursus en lesmateriaal in het Engels
Niveau
Niveau voor beginners
Toegang
1 jaar toegang tot het leerplatform
5 uur aan video's op aanvraag
met meer dan 10 uur aanbevolen studietijd
25 Praktische Oefeningen
2 uitgebreide opdrachten
Certificaat
Inclusief certificaat van afronding van het programma
Leerdoelen
Aan het einde van deze cursus ben je in staat om het volgende te begrijpen:
Kernbegrippen
Beheers de kernbegrippen van tijdreeksanalyse, waaronder de componenten en stationariteit
Technieken
Verken multivariate voorspellingsmethoden zoals SARIMAX- en VAR-modellen
Gebruik Facebook Prophet voor snelle en nauwkeurige tijdreeksvoorspellingen
Beoordelen
Evalueer de modelprestaties met behulp van kernstatistieken om nauwkeurigheid en betrouwbaarheid te meten
Analyseren
Analyseer tijdreeksgegevens uit de echte wereld met de Yahoo Finance API om waardevolle financiële inzichten te verkrijgen
Cursusplanning
Het concept van tijdreeksen en de componenten ervan
Les 01
- Het concept en de noodzaak van tijdreeksanalyse
- Granulariteit, frequentie en horizon in tijdreeksanalyse
- Gegevens extraheren met Yahoo Finance
- Componenten van tijdreeksen: niveau, trend, seizoensinvloeden, cyclische patronen en ruis
- Omgaan met ontbrekende waarden en uitschieters in tijdreeksen
- Additieve en multiplicatieve decompositie
Omgaan met stationariteit
Les 02
- Witte ruis
- Willekeurige wandeling
- Het concept stationariteit
- Detecteren en omgaan met stationariteit
- Statistische toets voor het detecteren van stationariteit: KPSS- vs. ADF-toets
- Granger-causaliteitstoets
- Anomaliedetectie met behulp van Isolation Forest
Stationariteit en lag-identificatie
Les 03
- Autocorrelatie en correlatie
- Granger-causaliteitstoets
- Autocorrelatiefunctie (ACF)
- Partiële autocorrelatiefunctie (PACF)
- Identificatie van vertragingen met behulp van ACF en PACF
Basis-tijdreeksmodellen
Les 04
- Naïeve methode
- Eenvoudige gemiddelde methode, voortschrijdend gemiddelde (MA-)model
- Voorspellingen uitvoeren met het MA‑model
- Autoregressief model (AR)
- Voorspellingen uitvoeren met een AR‑model
- Holt-Winters exponentiële afvlakking
- Enkelvoudige exponentiële smoothing
- Dubbele exponentiële smoothing
Prestatiemeting
Les 05
- Prestatie-indicatoren voor tijdreeksanalyse
- Prestaties van de modellen detecteren
- Vergelijk de prestaties van de modellen
Geavanceerde tijdreeksmodellen
Les 06
- Autoregressief Gemiddelde (ARMA-)model
- Voorspellingen uitvoeren met een ARMA-model
- Autoregressief geïntegreerd voortschrijdend gemiddelde (ARIMA)-model
- Voorspellingen uitvoeren met ARIMA
- Seizoensgebonden autoregressief geïntegreerd voortschrijdend gemiddelde (SARIMA)-model
- Voorspellingen uitvoeren met SARIMA
Multivariate tijdreeksanalyse
Les 07
- Het concept van endogene en exogene variabelen
- Inleiding tot SARIMAX: Een beknopte theoretische achtergrond
- Modelleren met SARIMAX
- Voorspellingen uitvoeren met SARIMAX
- Inleiding tot VAR
- Modelleren met VAR
- Voorspellingen uitvoeren met VAR
Tijdreeksvoorspelling met Facebook Prophet
Les 08
- Opkomst van de Profeet
- Belangrijkste parameters in Prophet
- Modelleren met Prophet
- Voorspellingen uitvoeren met Prophet
Voor wie is dit programma bedoeld?
Beginnende datawetenschappers en data-analisten
Businessanalisten die werken met verkoop-, financiële of operationele gegevens
Software-ingenieurs die overstappen naar data science-functies
Professionals die betrokken zijn bij vraagplanning of forecasting
Iedereen die geïnteresseerd is in voorspellende analyses en tijdgebonden data
Studenten en afgestudeerden die een carrière in analytics of AI verkennen
Vereisten
- Basiskennis van statistiek en kansrekening
- Bekendheid met Python of een andere programmeertaal (gewenst maar niet verplicht)
- Basiskennis van gegevensverwerking of Excel
- Analytische en logische denkvaardigheden
- Er is geen geavanceerde ervaring met prognoses vereist.
Verklaringen
Licenties en accreditatie
Deze cursus wordt aangeboden in overeenstemming met de Partnerprogramma-overeenkomst en voldoet aan de vereisten van de Licentieovereenkomst.
Gelijkheidsbeleid
Kandidaten worden aangemoedigd om contact op te nemen met AVC voor begeleiding en ondersteuning tijdens het gehele accommodatieproces.
Veelgestelde vragen
Heeft u bedrijfsoplossingen of LMS-integratie nodig
Heb je niet de cursus of het programma gevonden dat geschikt zou zijn voor jouw bedrijf? Heb je een LMS-integratie nodig? Neem contact met ons op! Wij zullen met een passende oplossing komen!