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