Struttura del corso

Introduzione all'analisi delle serie temporali

  • Panoramica dei dati delle serie temporali
  • Componenti delle serie storiche: tendenza, stagionalità, rumore
  • Configurazione di Google Colab per l'analisi delle serie temporali

Esplorativo Data Analysis per le serie temporali

  • Visualizzazione dei dati delle serie temporali
  • Scomposizione dei componenti delle serie temporali
  • Rilevamento della stagionalità e delle tendenze

Modelli ARIMA per serie storiche Forecasting

  • Comprensione dell'ARIMA (media mobile integrata autoregressiva)
  • Scelta dei parametri per i modelli ARIMA
  • Implementazione dei modelli ARIMA in Python

Introduzione a Prophet per la serie temporale Forecasting

  • Panoramica di Prophet per la previsione delle serie temporali
  • Implementazione dei modelli Prophet in Google Colab
  • Gestione delle festività e degli eventi speciali nelle previsioni

Tecniche avanzate Forecasting

  • Gestione dei dati mancanti nelle serie temporali
  • Previsione di serie temporali multivariate
  • Personalizzazione delle previsioni con regressori esterni

Valutazione e messa a punto dei modelli previsionali

  • Metriche delle prestazioni per la previsione delle serie temporali
  • Messa a punto dei modelli ARIMA e Prophet
  • Convalida incrociata e backtesting

Applicazioni reali dell'analisi delle serie temporali

  • Casi di studio di previsione di serie temporali
  • Esercizi pratici con dataset del mondo reale
  • Passaggi successivi per l'analisi delle serie temporali in Python

Riepilogo e passaggi successivi

Requisiti

  • Conoscenza intermedia della programmazione Python
  • Familiarità con le tecniche di base di statistica e analisi dei dati

Pubblico

  • Analisti di dati
  • Scienziati dei dati
  • Professionisti che lavorano con i dati delle serie temporali
 21 ore

Numero di Partecipanti


Prezzo per Partecipante

Recensioni (5)

Corsi in Arrivo

Categorie relative