Tin mới nhất

Menu

Browsing "Older Posts"

Chia Sẻ Khóa Học Time Series Analysis Và Forecasting Sử Dụng Python [Khóa 7167 A]

06 tháng 8 2023 / No Comments

Tìm hiểu về time series analysis & forecasting models trong Python | Time Data Visualization | AR | MA | ARIMA | Regression | ANN.

Bạn sẽ học được gì:

  • ✓ Hiểu rõ về Time Series Analysis và Forecasting.
  • ✓ Hiểu các kịch bản kinh doanh áp dụng Time Series Analysis.
  • ✓ Xây dựng 5 Mô hình Time Series Forecasting khác nhau trong Python.
  • ✓ Tìm hiểu về Mô hình Auto regression và Moving average.
  • ✓ Tìm hiểu về các mô hình ARIMA và SARIMA cho forecasting.
  • ✓ Sử dụng Pandas DataFrames để thao tác dữ liệu Chuỗi thời gian và tính toán thống kê.

Bạn đang tìm kiếm một khóa học hoàn chỉnh về Time Series Forecasting để thúc đẩy các quyết định kinh doanh liên quan đến lịch trình sản xuất, quản lý hàng tồn kho, lập kế hoạch nhân lực và nhiều phần khác của doanh nghiệp., phải không?

Bạn đã tìm thấy khóa học Time Series Forecasting và Time Series Analysis phù hợp bằng cách sử dụng các kỹ thuật Python Time Series. Khóa học này dạy cho bạn mọi thứ bạn cần biết về các mô hình time series forecasting và time series analysis khác nhau cũng như cách triển khai các mô hình này trong Python time series.

Sau khi hoàn thành khóa học này, bạn sẽ có thể :

  • ✓ Triển khai các mô hình time series forecasting và time series analysis như AutoRegression, Moving Average, ARIMA, SARIMA , v.v.
  • ✓ Triển khai các mô hình multivariate time series forecasting dựa trên Linear regression và Neural Networks.
  • ✓ Tự tin thực hành, thảo luận và hiểu các mô hình time series forecasting, time series analysis khác nhau và các kỹ thuật Python time series được các tổ chức sử dụng.

Khóa học này sẽ giúp bạn như thế nào?

Nếu bạn là nhà quản lý doanh nghiệp hoặc giám đốc điều hành hoặc sinh viên muốn tìm hiểu và áp dụng các mô hình forecasting trong các vấn đề kinh doanh trong thế giới thực, khóa học này sẽ cung cấp cho bạn một cơ sở vững chắc bằng cách dạy cho bạn các forecasting model phổ biến nhất và cách triển khai các mô hình đó. Bạn cũng sẽ học các mô hình time series forecasting, time series analysis và các kỹ thuật Python time series.

Tại sao bạn nên chọn khóa học này?

Chúng tôi tin vào việc giảng dạy bằng ví dụ. Khóa học này cũng không ngoại lệ. Trọng tâm chính của mọi Phần là dạy cho bạn các khái niệm thông qua các ví dụ hướng dẫn. Mỗi phần có các thành phần sau:

  • ✓ Các khái niệm lý thuyết và trường hợp sử dụng của các mô hình forecasting khác nhau, time series forecasting và time series analysis.
  • ✓ Hướng dẫn từng bước về triển khai các mô hình time series forecasting trong Python.
  • ✓ Các tệp Code có thể tải xuống chứa dữ liệu và giải pháp được sử dụng trong mỗi bài giảng về time series forecasting, time series analysis và các kỹ thuật Python time series.
  • ✓ Ghi chú và bài tập trên lớp để sửa đổi và thực hành các khái niệm về time series forecasting, time series analysis và các kỹ thuật Python time series.

Các lớp thực hành nơi chúng tôi tạo mô hình cho từng chiến lược này là thứ giúp phân biệt khóa học này với bất kỳ khóa học trực tuyến hiện có nào khác về time series forecasting, time series analysis và các kỹ thuật Python time series.

Mỗi bài giảng đều có phần ghi chú kèm theo để các bạn tiện theo dõi. Bạn cũng có thể làm bài quiz để kiểm tra hiểu biết của mình về các khái niệm về time series forecasting, time series analysis và các kỹ thuật Python time series.

Mỗi phần chứa một bài tập thực hành để bạn triển khai thực tế việc học của mình về time series forecasting, time series analysis và các kỹ thuật Python time series.

Những gì được bao gồm trong khóa học này?

Hiểu doanh số bán hàng trong tương lai sẽ thay đổi như thế nào là một trong những thông tin quan trọng mà người quản lý cần để đưa ra quyết định dựa trên dữ liệu. Trong khóa học này, chúng ta sẽ đối phó với time series forecasting, time series analysis và các kỹ thuật Python time series. Chúng ta cũng sẽ khám phá cách một người có thể sử dụng các mô hình dự báo để:

  • ✓ Xem các pattern trong dữ liệu chuỗi thời gian.
  • ✓ Đưa ra dự báo dựa trên các mô hình.

Hãy để tôi cung cấp cho bạn một tổng quan ngắn gọn về khóa học:

Phần 1 - Giới thiệu:

Trong phần này, chúng ta sẽ tìm hiểu về cấu trúc khóa học và cách các khái niệm về time series forecasting, time series analysis và các kỹ thuật Python time series sẽ được dạy trong khóa học này.

Phần 2 - Python basic:

Phần này giúp bạn bắt đầu với Python.

Phần này sẽ giúp bạn thiết lập môi trường Python và Jupyter trên hệ thống của bạn và nó sẽ dạy bạn cách thực hiện một số thao tác cơ bản trong Python. Chúng ta sẽ hiểu tầm quan trọng của các thư viện khác nhau như Numpy, Pandas & Seaborn.

Những điều cơ bản được dạy trong phần này sẽ là nền tảng trong việc học time series forecasting, time series analysis và các kỹ thuật Python time series trong phần sau của khóa học này.

Phần 3 - Cơ bản về Time Series Data:

Trong phần này, chúng ta sẽ thảo luận về những kiến ​​thức cơ bản về dữ liệu chuỗi thời gian, ứng dụng của dự báo chuỗi thời gian và quy trình chuẩn để xây dựng một mô hình dự báo, time series forecasting, time series analysis và các kỹ thuật Python time series.

Phần 4 - Pre-processing Time Series Data:

Trong phần này, bạn sẽ tìm hiểu cách trực quan hóa time series, thực hiện feature engineering, thực hiện lấy mẫu lại dữ liệu và nhiều công cụ khác để phân tích và chuẩn bị dữ liệu cho các mô hình cũng như thực hiện dự báo chuỗi thời gian, phân tích chuỗi thời gian và triển khai các kỹ thuật Python time series.

Phần 5 - Chuẩn bị Dữ liệu cho Regression Model:

Trong phần này, bạn sẽ tìm hiểu những hành động bạn cần thực hiện từng bước để lấy dữ liệu và sau đó chuẩn bị cho việc phân tích. Các bước này rất quan trọng.

Chúng ta bắt đầu với việc hiểu tầm quan trọng của kiến ​​thức kinh doanh, sau đó chúng ta sẽ xem cách khám phá dữ liệu. Chúng tôi tìm hiểu cách thực hiện phân tích đơn biến và phân tích hai biến, sau đó chúng tôi đề cập đến các chủ đề như outlier treatment và missing value imputation.

Phần 6 - Forecasting sử dụng Regression Model:

Phần này bắt đầu với hồi quy tuyến tính đơn giản và sau đó bao gồm hồi quy tuyến tính bội. Chúng tôi đã đề cập đến lý thuyết cơ bản đằng sau mỗi khái niệm mà không tìm hiểu quá nhiều về toán học để bạn hiểu khái niệm này đến từ đâu và tầm quan trọng của nó. Nhưng kể cả khi bạn không hiểu nó, nó sẽ không sao miễn là bạn học cách chạy và giải thích kết quả như được dạy trong các bài giảng thực tế.

Chúng tôi cũng xem xét cách định lượng độ chính xác của mô hình, ý nghĩa của thống kê F (F statistic) là gì, cách các biến phân loại trong bộ dữ liệu biến độc lập được diễn giải trong kết quả.

Phần 7 - Các khái niệm lý thuyết:

Phần này sẽ cung cấp cho bạn sự hiểu biết vững chắc về các khái niệm liên quan đến Neural Networks.

Trong phần này, bạn sẽ tìm hiểu về single cells hoặc Perceptrons và cách các Perceptron được xếp chồng lên nhau để tạo ra một kiến ​​trúc mạng. Sau khi kiến ​​trúc được thiết lập, chúng tôi tìm hiểu thuật toán Gradient descent để tìm cực tiểu của một hàm và tìm hiểu cách thuật toán này được sử dụng để tối ưu hóa network model của chúng tôi.

Phần 8 - Tạo Regression và Classification ANN model trong Python:

Trong phần này, bạn sẽ tìm hiểu cách tạo các mô hình ANN bằng Python.

Chúng tôi sẽ bắt đầu phần này bằng cách tạo một mô hình ANN bằng Sequential API để giải quyết một bài toán classification. Chúng tôi tìm hiểu cách define network architecture, cấu hình model và đào tạo model. Sau đó, chúng tôi đánh giá hiệu suất của mô hình được đào tạo và sử dụng mô hình đó để dự đoán trên dữ liệu mới. Chúng tôi cũng giải quyết một bài toán hồi quy trong đó chúng tôi cố gắng dự đoán giá nhà ở một địa điểm. Chúng tôi cũng sẽ giới thiệu cách tạo các kiến ​​trúc ANN phức tạp bằng cách sử dụng functional API. Cuối cùng, chúng ta tìm hiểu cách lưu và khôi phục các model.

Tôi khá tự tin rằng khóa học sẽ cung cấp cho bạn những kiến ​​thức và kỹ năng cần thiết liên quan đến dự báo chuỗi thời gian, phân tích chuỗi thời gian và các kỹ thuật chuỗi thời gian Python để thấy ngay những lợi ích thiết thực tại nơi làm việc của bạn.

Mục lục:

  • ✓ 01. Giới thiệu.
  • ✓ 02. Time Series - Basic.
  • ✓ 03. Thiết lập Python và Khóa học cấp tốc về Python.
  • ✓ 04. Time Series - Data Loading.
  • ✓ 05. Time Series - Feature Engineering.
  • ✓ 06. Time Series - Resampling.
  • ✓ 07. Time Series - Visualization.
  • ✓ 08. Time Series - Transformation.
  • ✓ 09. Time Series - Các Khái Niệm Quan Trọng.
  • ✓ 10. Time Series - Test Train Split.
  • ✓ 11. Time Series - Naive (Persistence) model.
  • ✓ 12. Time Series - Auto Regression Model.
  • ✓ 13. Time Series - Moving Average model.
  • ✓ 14. Time Series - ARIMA model.
  • ✓ 15. Time Series - SARIMA model.
  • ✓ 16. Stationary time Series.
  • ✓ 17. Linear Regression - Data Preprocessing.
  • ✓ 18. Linear Regression - Model Creation.
  • ✓ 19. Giới thiệu về ANN.
  • ✓ 20. Single Cells - Perceptron và Sigmoid Neuron.
  • ✓ 21. Neural Networks - Stacking cells để tạo network.
  • ✓ 22. Các khái niệm quan trọng: Các câu hỏi Phỏng vấn phổ biến.
  • ✓ 23. Standard Model Parameters.
  • ✓ 24. Tensorflow và Keras.
  • ✓ 25. Python - Bộ dữ liệu cho bài toán classification.
  • ✓ 26. Python - Xây dựng và training Model.
  • ✓ 27. Python - Giải quyết bài toán Hồi quy bằng ANN.
  • ✓ 28. Xin chúc mừng & Giới thiệu về chứng nhận của bạn.

Khóa học này dành cho ai:

  • ✓ Những người theo đuổi sự nghiệp trong khoa học dữ liệu.
  • ✓ Các chuyên gia đang làm việc bắt đầu hành trình Machine Learning của họ.
  • ✓ Statistician cần thêm kinh nghiệm thực tế.
  • ✓ Bất kỳ ai tò mò muốn thành thạo Time Series Analysis bằng Python trong một khoảng thời gian ngắn.


NHẬN GET EBOOK TRÊN AMAZON THEO YÊU CẦU




Copyright Disclaimer:
This site does not store any files on its server. We only index and link to content provided by other sites. Please contact the content providers to delete copyright contents if any and email us, we'll remove relevant links or contents immediately.
Tuyên bố miễn trừ bản quyền:
Trang web này không lưu trữ bất kỳ tệp nào trên máy chủ của nó. Chúng tôi chỉ lập chỉ mục và liên kết đến nội dung được cung cấp bởi các trang web khác. Vui lòng liên hệ với các nhà cung cấp nội dung để xóa nội dung bản quyền nếu có và gửi email cho chúng tôi, chúng tôi sẽ xóa các liên kết hoặc nội dung có liên quan ngay lập tức.