Schulungsübersicht

ARIMA-Modelle für Zeitreihen Forecasting

Erweiterte Forecasting Techniken

Bewertung und Feinjustierung von Prognosemodellen

Explorative Analyse Data Analysis für Zeitreihen

Einführung in Prophet für Zeitreihen Forecasting

Einführung in die Zeitreihenanalyse

Praktische Anwendungen der Zeitreihenanalyse

Zusammenfassung und Nächste Schritte

  • Fallstudien zur Zeitreihenvorhersage
  • Praxisübungen mit realen Datensätzen
  • Nächste Schritte für die Zeitreihenanalyse in Python
  • Umgang mit fehlenden Daten in Zeitreihen
  • Vorhersagen mehrerer Zeitreihen (multivariate)
  • Anpassung von Prognosen durch externe Regressoren
  • Überblick über Prophet für die Zeitreihenvorhersage
  • Implementierung von Prophet-Modellen in Google Colab
  • Berücksichtigung von Feiertagen und besonderen Ereignissen in der Vorhersage
  • Überblick über Zeitreihendaten
  • Komponenten von Zeitreihen: Trend, Saisonalität, Rauschen
  • Einrichtung von Google Colab für die Zeitreihenanalyse
  • Leistungsmetriken für die Zeitreihenvorhersage
  • Feinjustierung von ARIMA- und Prophet-Modellen
  • Cross-Validation und Backtesting
  • Verständnis von ARIMA (AutoRegressive Integrated Moving Average)
  • Auswahl der Parameter für ARIMA-Modelle
  • Implementierung von ARIMA-Modellen in Python
  • Visualisieren von Zeitreihendaten
  • Aufschlüsseln der Komponenten von Zeitreihen
  • Erkennen von Saisonalität und Trends

Voraussetzungen

Audience

  • Datenanalysten
  • Data Scientists
  • Fachkräfte, die mit Zeitreihendaten arbeiten
  • Fortgeschrittene Kenntnisse in Python Programmierung
  • Grundlegende Kenntnisse der Statistik und Datenanalysemethoden
 21 Stunden

Teilnehmerzahl


Price per participant (excl. VAT)

Erfahrungsberichte (5)

Kommende Kurse

Verwandte Kategorien