|
课程培训
|
Python数据建模培训
【课程目标】 本课程为高级课程《Python数据建模》的第二篇：时序篇 本课程主要讲解如何利用Python进行时间序列的数据建模，帮助学员构建系统全面的预测建模思维，提升学员的数据建模综合能力。
本系列课程从实际的业务需求出发，结合行业的典型应用特点，围绕实际的商业问题，对数据预测建模的过程进行了全面的介绍（从模型选择，到属性选择，再到训练模型，评估模型以及优化模型），通过大量的操作演练，帮助学员掌握数据建模的思路、方法、技巧，以提升学员的数据建模的能力，支撑运营决策的目的。 通过本课程的学习，达到如下目的： 1、 掌握数据建模的标准流程 2、 掌握时序预测建模的基本思想，理解因素分解的思路 3、 掌握常用的趋势拟合模型 4、 掌握常用的季节预测模型，能够进行季节周期性的时序建模 5、 深刻理念平稳序列的概念，以及平稳性检验 6、 掌握平稳序列的模型识别，以及模型定阶 7、 掌握时序预测模型的评估，以及优化 8、 掌握高级时序模型的训练与建模 【授课对象】 业务支持部、IT部、数据部等所有想做数据分析的相关人员 【学员要求】 1、 每个学员自备一台便携机(必须) 2、 事先搭建好开发环境（建议Anaconda+VSCode） 3、 要求Python 3.10版本及以上，扩展库Numpy, Pandas, statsmodels, sklearn, scipy等 注：讲师提供现场分析的数据源及演示代码 【授课方式】 建模流程+ 案例演练 + 开发实践 + 可视化呈现 采用互动式教学，围绕业务问题，展开数据分析过程，全过程演练操作，让学员在分析、分享、讲授、总结、自我实践过程中获得能力提升。 【课程大纲】 第一部分： 时序模型基础
问题：无法找到影响因素，无法回归建模，怎么办？随着业务受季节性因素影响，未来的销量如何预测？ 1、 回归预测vs时序预测 2、 时序预测的原理及应用场景 3、 常见时序预测模型 Ø 趋势类预测模型 Ø 季节类预测模型 Ø 平稳时序预测模型 Ø 其它高级模型 4、 时序建模的基本思想：因素分解思想 5、 时间序列的四个构成要素 Ø 长期趋势Trend Ø 季节变动Seasonality Ø 循环变动Circle Ø 不规则变动Irregular 6、 季节性的3种模式 Ø 确定的季节性 Ø 随机平稳的季节性 Ø 随机非平稳的季节性 7、 季节性的检验 Ø 测量季节强度 Ø 检测非平稳季节性 Ø 相关性检验 Ø 自相关/偏相关分析 8、 时间序列分解 案例：时间序列的季节分解
第二部分： 时序模型评估
1、 拟合程度指标 Ø 判定系数： 2、 误差评估指标 Ø 平均绝对误差：MAE Ø 根均方差：RMSE Ø 平均误差率：MAPE 3、 信息损失准则指标 Ø 赤池信息准则（Akaike Information Criterion，AIC） Ø 贝叶斯信息准则（Bayesian Information Criterion，BIC） Ø HQIC（Hannan-Quinn Information Criterion，HQIC） 4、 评估方法 Ø 滚动交叉验证法（cross validation） 5、 其它评估 Ø 残差评估：白噪声评估
第三部分： 趋势预测模型
问题：无法找到影响因素，无法回归建模，怎么办？随着业务受季节性因素影响，未来的销量如何预测？ 1、 移动平均 Ø 应用场景及原理 Ø 理解滑动窗口 Ø 移动平均种类 ² 一次移动平均 ² 二次移动平均 ² 加权移动平均 ² 移动平均比率法 Ø 移动平均关键问题 ² 最佳期数N的选择原则 ² 最优权重系数的选取原则 演练：销售额预测模型及评估 演练：快销产品季节销量预测及评估 2、 指数平滑 Ø 应用场景及原理 Ø 最优平滑系数的选取原则 Ø 指数平滑种类 ² 一次指数平滑 ² 二次指数平滑（Brown线性） ² 三次指数平滑 演练：煤炭产量预测 3、 Holt趋势模型（亦称二次指数平滑） Ø Holt线性模型 Ø Holt指数模型 Ø 阻尼线性趋势 Ø 阻尼指数趋势 第四部分： 季节预测模型
1、 因素分解法 Ø 移动平均差值法 Ø 移动平均比率法 2、 Holt-Winters季节模型：HW加法、HW乘法、HW指数 Ø 适用场景 Ø 计算公式 Ø 超参优化 Ø 模型解读 案例：航空飞行里程预测模型 案例：汽车销量预测模型 案例：沃尔玛收益预测模型 3、 基于回归的季节模型：相加模型、相乘模型 Ø 模型参数、模型解读 第五部分： 平稳序列模型
1、 平稳序列预测模型简介 2、 序列平稳性概念 Ø 恒定的均值 Ø 恒定的标准差 Ø 与位置无关的协方差 3、 序列平稳性检验 Ø 折线图法 Ø ACF/PACF图 Ø ADF检测法 4、 特殊平稳序列：白噪声 案例：序列平稳性检验 案例：白噪声检验 5、 平稳序列常用拟合模型 Ø AR(p)自回归模型 Ø MA(q)移动平均模型 Ø ARMA(p,q)自回归移动平均模型 6、 模型识别 Ø ACF图 Ø PACF图 7、 模型定阶 Ø 图形定阶（ACF/PACF） Ø 最小信息准则定阶 8、 非平稳序列处理 Ø 平滑法 Ø 变量变换 Ø 差分运算：k步差分与d阶差分 9、 ARIMA(p,d,q)建模流程 案例：上海证券交易所收盘价建模 10、 SARIMA(p,d,q)(P,D,Q,S)模型 Ø 图形确定阶数 Ø 遍历确定阶数 11、 时序模型总结 第六部分： 机器学习时序模型
1、 Prophet模型介绍 Ø 趋势拟合 Ø 季节性预测 Ø 节假日和特殊事件的影响 Ø 离群值分析 案例：销售额时序预测模型 2、 NeuralProphet模型 3、 GBDT/XGBoost/LightGBM集成模型 第七部分： 深度学习时序模型
1、 LSTM模型简介 Ø 数据集构造 Ø 形状构造 Ø 滚动预测 案例：广告点击量时序建模 2、 seq2seq框架 3、 Transform模型 结束：课程总结与问题答疑。 如果您想学习本课程，请预约报名
如果没找到合适的课程或有特殊培训需求，请订制培训 除培训外，同时提供相关技术咨询与技术支持服务，有需求请发需求表到邮箱soft@info-soft.cn,或致电4007991916 技术服务需求表点击在线申请 服务特点： 海量专家资源，精准匹配相关行业，相关项目专家，针对实际需求，顾问式咨询，互动式授课，案例教学，小班授课，实际项目演示，快捷高效，省时省力省钱。 专家力量： 中国科学院软件研究所，计算研究所高级研究人员 oracle,微软，vmware，MSC,Ansys，candence,Altium,达索等大型公司高级工程师，项目经理，技术支持专家 中科信软培训中心，资深专家或讲师 大多名牌大学，硕士以上学历，相关技术专业，理论素养丰富 多年实际项目经历，大型项目实战案例，热情，乐于技术分享 针对客户实际需求，案例教学，互动式沟通，学有所获 |
|
