首页>全部课程>时间序列模型与实战
时间序列模型与实战
时间序列模型与实战
报名课程可获赠0.0元助学金,助学金说明 >>
直播面授
课程图标 课程代码 NX0102

课程时长

2天(6小时/天)

课程简介

⊙  内容丰富:包含3种类型的时间序列模型:统计类,深度学习类,Facebook的工业级的Prophet. 课程包含5个模型,9个课堂实践或演示,3个案例分析。

  授课风格多样:算法精讲,模型适用场景阐述,成功案例分析,课堂讨论。

  理论与实践相结合:学员编码实践,期终考试测验。

课程收益

   掌握典型的时间序列模型。学员可掌握时间序列的重要模型,了解技术趋势和方向,可使用时间序列模型,进行预测。

   解决实际的业务问题。学员可深入掌握时间序列的各类方法, 会选择合适的算法, 设计模型,解决实际的业务问题。

   提高企业和学员的影响力。通过课程的学习,学员可熟练掌握模型的不同的模型, 使用数据对模型进行训练,提高学员和企业的知名度和影响力。

课程对象

(一)授课对象

   数据分析师,数据科学家

   软件工程师,运维工程师,系统工程师

   产品经理、管理人员,业务人员

(二)学员基础:

了解基本统计知识,具备初步的IT基础知识和基本数学理论,可使用python编程


课程内容:

一 基于统计的时间序列模型

1 时间序列基础

◆时间序列模型概述

◆时间序列数据的处理

◆绘制时序图(时间序列图)

◆白噪声,随机游走

◆平稳序列与非平稳序列

◆差分

◆自相关与偏自相关函数


2 自回归模型

◆自回归过程

◆一阶自回归

◆二阶自回归

◆实践中如何识别AR模型

◆使用AR模型进行预测


3  滑动平均模型

◆MA模型的性质

◆识别MA的阶

◆估计

◆使用MA模型进行预测


4 ARMA模型

◆ARMA模型介绍

◆一般的ARMA模型

◆识别ARMA模型

◆使用ARMA模型进行预测

◆ARMA模型的三种表示

◆指数平滑

◆季节模型


5 使用ARMA模型预测电话呼入量

◆获取数据集

◆对数据集进行预处理

◆生成统计图表, 进行数据探索

◆建立模型, 预测电话呼入量

◆对模型进行评价


案例实践与练习

◆环境的安装与实践

◆软件包的安装和管理

◆时间序列数据的处理

◆绘制自相关图

◆绘制偏自相关图

◆训练ARIMA模型,进行时间序列预测


二 Facebook的Prophet 时间序列模型

◆Prophet的安装

◆Prophet的介绍

◆趋势模型:分段线性或逻辑增长曲线

◆周期模型:傅里叶级数建模的季节成分

◆节假日与突发事件模型:虚拟变量

◆Prophet的总结

◆案例: 使用Prophet预测系统交易量


案例实践与练习

◆使用Prophet预测系统交易量


三 基于深度学习的时间序列模型

1循环神经网络RNN

◆RNN应用概述

◆LSTM模型详解

◆GRU模型详解

◆双向RNN与深度RNN

◆state-of-the-art(**水平的)的神经网络讲述:seq2seq with attention


案例实践与练习

◆训练LSTM模型,进行时间序列预测

◆训练seq-to-seq模型,进行时间序列预测



四 案例实践

1 股指期货预测-基于seq-to-seq LSTM模型

◆模型简介

◆数据的预处理

◆使用keras设计seq-to-seq的时序模型

◆绘制预测曲线

◆计算误差, 并调优


2 乘客数量预测-基于Prophet模型

◆绘制时序图

◆数据的预处理

◆建立节假日数据

◆训练Prophet模型

◆绘制预测曲线

◆计算误差, 并调优


3 系统负载的智能预测-基于ARIMA模型

◆ARIMA模型介绍

◆数据的预处理

◆预测系统的负载

◆绘制预测曲线

◆计算误差, 并调优