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
在线
咨询
18056868301
电话咨询
微信咨询
公众号