你會學到什麼?
- 時間序列數據介紹，及其屬性、要素、組件和示例
- 理解探索性數據分析(EDA)，以揭示數據中的模式和見解
- 探索各種預測技術，如樸素預測、平均預測和移動平均預測
- 將時間序列數據分解為趨勢、季節性和殘差
- 機器學習模型在時間序列數據上的評估，通過它們的性能和驗證
- 了解其他基本的預測技術，如指數平滑法和ARIMA方法
你將獲得的技能
- 時間序列預測基於曆史數據預測未來價值
- 探索性數據分析，識別模式並推薦解決方案
- 指數平滑法和ARIMA方法
本課程涵蓋的主題
預測數據導論
本模塊將教你如何收集數據，預測其未來的價值，並確定其獨特的趨勢。預測數據可用於各種目的，包括製定業務決策、預測未來需求和規劃未來事件。
時間序列數據的定義與性質
本模塊將向您介紹時間序列數據，這是一組通常在一段時間內定期測量的數據點。您將發現時間序列數據的各種屬性，如趨勢、季節性和非季節性周期、脈衝和步長以及異常值。
時間序列數據的例子
您將探索時間序列數據的幾個實時示例，例如零售額、股票價格、識別貸款的潛在客戶、產品推薦係統等等。
時間序列數據的特征
您將探索時間序列數據的幾個特性，例如天氣的變化、股票市場的變化或銷售數據的變化。
預測要點
在本模塊中，您將發現有效預測所需的各種基本特征，如數據預處理、特征工程、模型選擇和超參數調優。
缺失數據與探索性分析
您將了解丟失數據以及導致丟失數據的各種原因。稍後，您將了解探索性數據分析(EDA)，以確定哪些特征是必要的，以及應該如何對數據進行預處理以避免丟失數據。
時間序列數據的組成
您將探索時間序列數據的幾個組成部分，例如趨勢、季節變化、周期變化以及隨機或不規則變化。
樸素、平均和移動平均預測
您將了解如何使用基本的預測技術，如樸素預測，平均預測和移動平均預測來預測未來的事件。樸素預測是最簡單的預測形式，它基於未來與過去相同的假設。平均預測更複雜，它使用曆史數據來計算未來的平均值。移動平均線預測是三種方法中最先進的，它使用移動平均線來預測未來的數值。
時間序列分解為趨勢、季節性和殘差
您將學習如何將時間序列數據分解為趨勢、季節性和殘差。時間序列的分解對許多目的都有幫助。例如，分解可用於識別時間序列的不同成分，分離特定事件對時間序列的影響，或刪除時間序列的季節性成分，以便更好地觀察長期趨勢。
時間序列模型的驗證集和性能度量
本模塊將教你如何使用時間序列數據驗證和測量機器學習模型的性能。
指數平滑法
您將熟悉最有效的預測技術之一，稱為指數平滑方法，用於單變量數據的時間序列預測方法。
ARIMA方法
在這裏，您將了解稱為ARIMA方法(自回歸綜合移動平均法)的高級統計技術，該方法用於根據過去的數據對未來事件做出預測。
