Podstawy prognozowania i analizy przeżywalności szeregów czasowych

Wiele problemów związanych z danymi w świecie rzeczywistym wymaga przewidywania, kiedy zdarzenie nastąpi lub jak dane wskaźniki będą się zmieniać w czasie. Wymaga to specjalistycznych technik wykraczających poza standardową regresję. Zrozumienie sposobu obsługi zależności czasowych i niekompletnych danych jest niezbędne do dokładnego prognozowania i oceny ryzyka. Ten kurs zapewnia solidne podstawy w dwóch krytycznych obszarach specjalistycznego uczenia maszynowego: analiza szeregów czasowych i analiza przetrwania.Przejdziesz od podstawowych pojęć danych do zrozumienia, jak modelować wzorce w czasie i obsługiwać cenzurowane dane, w których wyniki nie są jeszcze w pełni obserwowane. Pod koniec tego programu będziesz w stanie interpretować wzorce czasowe i stosować specjalistyczne modele, aby przewidzieć przyszłe wyniki z pewnością. Czego się nauczysz: - Zrozum podstawowe elementy danych szeregów czasowych, w tym sezonowość, trendy i hałas. - Zastosuj modele statystyczne do prognozowania przyszłych wartości na podstawie wzorców historycznych. - Opanuj koncepcje analizy przeżycia, aby przewidzieć czas, aż nastąpi określone zdarzenie. - Skutecznie obsługuj cenzurowane dane, aby zapewnić dokładne wnioskowanie o wynikach w rzeczywistych scenariuszach. - Zweryfikuj założenia modelu za pomocą nowoczesnych technik walidacji i testów diagnostycznych. - Ćwicz przygotowanie i modelowanie danych przy użyciu aktualnych standardowych bibliotek i przepływów pracy. Program nauczania rozpoczyna się od podstawowej terminologii i podstaw statystycznych, a następnie przechodzi przez konkretne techniki modelowania zarówno dla prognozowania, jak i analizy czasu zdarzenia.Będziesz badać praktyczne zastosowania za pomocą pisemnych wyjaśnień i ćwiczeń opartych na kodzie, mających na celu wzmocnienie koncepcji teoretycznych. Ten kurs jest przeznaczony dla początkujących w dziedzinie danych i uczenia maszynowego, którzy chcą poszerzyć swój zestaw narzędzi; nie jest wymagane wcześniejsze doświadczenie z danymi zależnymi od czasu.