Course Outline

Εισαγωγή στην Ανάλυση Χρονοσειρών

  • Επισκόπηση δεδομένων χρονοσειρών
  • Στοιχεία χρονοσειρών: τάση, εποχικότητα, θόρυβος
  • Ρύθμιση του Google Colab για ανάλυση χρονοσειρών

Εξερευνητικό Data Analysis για χρονοσειρές

  • Οπτικοποίηση δεδομένων χρονοσειρών
  • Αποσύνθεση στοιχείων χρονοσειράς
  • Ανίχνευση εποχικότητας και τάσεων

Μοντέλα ARIMA για χρονοσειρές Forecasting

  • Κατανόηση του ARIMA (AutoRegressive Integrated Moving Average)
  • Επιλογή παραμέτρων για μοντέλα ARIMA
  • Εφαρμογή μοντέλων ARIMA στο Python

Εισαγωγή στο Prophet for Time Series Forecasting

  • Επισκόπηση του Προφήτη για την πρόβλεψη χρονοσειρών
  • Εφαρμογή μοντέλων Προφήτη στο Google Colab
  • Χειρισμός αργιών και ειδικών εκδηλώσεων στην πρόβλεψη

Προηγμένες Forecasting Τεχνικές

  • Χειρισμός δεδομένων που λείπουν σε χρονοσειρές
  • Πρόβλεψη πολυμεταβλητών χρονοσειρών
  • Προσαρμογή προβλέψεων με εξωτερικούς παλινδρομικούς παράγοντες

Αξιολόγηση και βελτιστοποίηση μοντέλων πρόβλεψης

  • Μετρήσεις απόδοσης για την πρόβλεψη χρονοσειρών
  • Βελτιστοποίηση μοντέλων ARIMA και Prophet
  • Cross-validation και backtesting

Πραγματικές Εφαρμογές Ανάλυσης Χρονοσειρών

  • Μελέτες περίπτωσης πρόβλεψης χρονοσειρών
  • Πρακτικές ασκήσεις με σύνολα δεδομένων πραγματικού κόσμου
  • Επόμενα βήματα για ανάλυση χρονοσειρών στο Python

Περίληψη και Επόμενα Βήματα

Requirements

  • Ενδιάμεση γνώση προγραμματισμού Python
  • Εξοικείωση με βασικές στατιστικές και τεχνικές ανάλυσης δεδομένων

Ακροατήριο

  • Αναλυτές δεδομένων
  • Επιστήμονες δεδομένων
  • Επαγγελματίες που εργάζονται με δεδομένα χρονοσειρών
 21 Hours

Number of participants


Price per participant

Testimonials (5)

Upcoming Courses

Related Categories