|
|
|
|
|
|
|
|
全部课程 >大数据 |
|
Python数据建模（时序模型篇） |
38 次浏览  1 次
|
|
|
| 地点时间：北京、
上海、深圳根据报名开班 |
| 课程费用：4000元/人 |
|
|
| 企业内训：可以根据企业需求,定制内训,详见
内训学习手册 |
|
 |
认证方式：
培训前了解能力模型。
培训后进行能力评测：
• 在线考试
• 能力分析，给出学习建议
合格者颁发证书，作为职业技能资格证明
|
 |
|
|
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。
基于真实的业务问题，在数据建模的标准过程指导下，从模型选择到特征工程，从训练模型到算法实现，从模型评估到模型优化，再到模型解读及模型应用，带领大家一步步实现一个回归预测模型。 |
| 
|
| 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。 |
| 培训目标： |
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。
|
| 培训对象：数据分析部、IT开发部、业务支撑部、运营分析部等相关技术人员。 |
| 学员基础： |
1.每个学员自备一台便携机 ( 必须 ) 。
2.便携机中事先安装好 Python 3.10 版本及以上。
3.安装好Numpy,Pandas,statsmodels,sklearn,scipy,keras等扩展库。
4.注：讲师现场提供分析的数据源。 |
| 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。
|
| 培训内容：2天
|
| 培训模块 |
培训内容
|
| 第一部分： 预测建模基础 |
1、 数据建模六步法
• 选择模型：基于业务选择恰当的数据模型
• 属性筛选：选择对目标变量有显著影响的属性来建模
• 训练模型：采用合适的算法，寻找到最合适的模型参数
• 评估模型：进行评估模型的质量，判断模型是否可用
• 优化模型：如果评估结果不理想，则需要对模型进行优化
• 应用模型：如果评估结果满足要求，则可应用模型于业务场景
2、 数据挖掘常用的模型
• 数值预测模型：回归预测、时序预测等
• 分类预测模型：逻辑回归、决策树、神经网络、支持向量机等
• 市场细分：聚类、RFM、PCA等
• 产品推荐：关联分析、协同过滤等
• 产品优化：回归、随机效用等
• 产品定价：定价策略/最优定价等
3、 属性筛选/特征选择/变量降维
• 基于变量本身特征
• 基于相关性判断
• 因子合并（PCA等）
• IV值筛选（评分卡使用）
• 基于信息增益判断（决策树使用）
4、 训练模型及实现算法
• 模型原理
• 算法实现
5、 模型评估
• 评估指标
• 评估方法
• 残差评估
6、 模型优化
• 优化模型：选择新模型/修改模型
• 优化数据：新增显著自变量
• 优化公式：采用新的计算公式
7、 模型应用
• 模型解读
• 模型保存/加载
• 模型应用/预测
8、 好模型是优化出来的 |
第二部分： 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
• 趋势类预测模型
• 季节类预测模型
• 平稳时序预测模型
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
• 长期趋势Trend
• 季节变动Seasonality
• 循环变动Circle
• 不规则变动Irregular
6、 季节性的3种模式
• 确定的季节性
• 随机平稳的季节性
• 随机非平稳的季节性
7、 季节性的检验
• 测量季节强度
• 检测非平稳季节性
• 相关性检验
• 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 |
| 第三部分： 时序模型评估 |
1、 拟合程度指标
• 判定系数：
2、 误差评估指标
• 平均绝对误差：MAE
• 根均方差：RMSE
• 平均误差率：MAPE
3、 信息损失准则指标
• 赤池信息准则（Akaike Information Criterion，AIC）
• 贝叶斯信息准则（Bayesian Information Criterion，BIC）
• HQIC（Hannan-Quinn
• Information Criterion，HQIC）
4、 评估方法
• 滚动交叉验证法（cross validation）
5、 其它评估 |
| 第四部分： 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
• 应用场景及原理
• 理解滑动窗口
• 移动平均种类
• 一次移动平均
• 二次移动平均
• 加权移动平均
• 移动平均比率法
• 移动平均关键问题
• 最佳期数N的选择原则
• 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
• 应用场景及原理
• 最优平滑系数的选取原则
• 指数平滑种类
• 一次指数平滑
• 二次指数平滑（Brown线性）
• 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）
• Holt线性模型
• Holt指数模型
• 阻尼线性趋势
• 阻尼指数趋势 |
| 第五部分： 季节预测模型 |
1、 因素分解法
• 移动平均差值法
• 移动平均比率法
2、 Holt-Winters季节模型：HW加法、HW乘法、HW指数
• 适用场景
• 计算公式
• 超参优化
• 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
• 模型参数、模型解读 |
| 第六部分： 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
• 恒定的均值
• 恒定的标准差
• 与位置无关的协方差
3、 序列平稳性检验
• 折线图法
• ACF/PACF图
• 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
• AR(p)自回归模型
• MA(q)移动平均模型
• ARMA(p,q)自回归移动平均模型
6、 模型识别
• ACF图
• PACF图
7、 模型定阶
• 图形定阶（ACF/PACF）
• 最小信息准则定阶
8、 非平稳序列处理
• 平滑法
• 变量变换
• 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
• 图形确定阶数
• 遍历确定阶数
11、 时序模型总结 |
| 第七部分： 机器学习时序模型 |
1、 Prophet模型介绍
• 趋势拟合
• 季节性预测
• 节假日和特殊事件的影响
• 离群值分析
• 案例：销售额时序预测模型
2、 NeuralProphet模型
3、 GBDT集成模型
4、 XGBoost模型
5、 LightGBM模型 |
| 第八部分： 深度学习时序模型 |
1、 LSTM模型简介
• 数据集构造
• 形状构造
• 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。 |
|
| |
|
|
| |
|
|
|
|
38 次浏览 1 次
|
| 其他人还看了课程 |
|
|
|
|
|
| 咨询目标
|
对客户的数据库进行性能评价，设计优化，管理优化 |
| 咨询范围 |
数据库性能评价，数据库结构优化，数据访问SQL优化。 |
| 咨询方式 |
现有数据库调查，问题诊断，性能评价。
对数据库进行逻辑结构优化，对数据库进行访问SQL优化。
建立数据库运行监控平台。运行监控与优化方法指导。 |
| 成功案例 |
建设银行，中国农业银行，中国工商银行，中航信 |
| 详情咨询：010-62670969， zhgx@uml.net.cn
|
|
|
|
|
|
|
