Phân tích dữ liệu chuỗi thời gian
Các kỹ năng nhận được
- Time Series
- Pandas
- Cluster Analysis
- Data Visualization
Nội dung
1️⃣ Giới thiệu cơ bản chuỗi thời gian và các thành phần chuỗi thời gian
2️⃣ Tính dừng của chuỗi thời gian, làm mịn chuỗi thời gian
3️⃣ Các mô hình AR, MA, ARMA, ARIMA
4️⃣ Phân tích chuỗi thời gian đa biến
5️⃣ Các mô hình phương sai có điều kiện
6️⃣ Dữ liệu chuỗi thời gian dạng thứ bậc và dạng nhóm
7️⃣ Feature Engineering và các mô hình cây cho dự doán trên dữ liệu chuỗi thời gian
8️⃣ Sử dụng DeepLearning để xây dựng mô hình dự đoán chuỗi thời gian
9️⃣ Sử dụng phân tích chuỗi thời gian để nhận diện các điểm bất thường
🔟 Sử dụng một số thư viện Forecasting cho dữ liệu chuỗi thời gian như prophet, TSLearn và MLForeacasting
Nội dung chi tiết tại đây
Đối tượng
🤚🤚 Là những bạn chưa biết gì về Time Series Analysis
👩💻🧑💻 Là những bạn đang làm DA, DS từng học Time Series Analysis nhưng muốn tìm hiểu sâu thêm kiến thức sử dụng các model dạng Tree hay Deep Learning
Lợi ích
✅️ Được giải đáp thắc mắc trong quá trình học
✅️ Được nhận chia sẻ nội dung mới có liên quan đến Time Series Analysis
✅️ Nhận được sách về Time Series Analysis được viết bởi mình
✅️ Được ưu đãi những khóa học tiếp theo
✅️ Được nhận bộ Flashcard về Time Series Analysis(Đang trong quá trình phát triển)
Thông tin đăng kí
📝 Liên hệ Facebook
Nội dung chi tiết
Nội dung 1: Giới thiệu chuỗi thời gian
- Giới thiệu chuỗi thời gian
- Chuỗi thời gian là gì
- Luyện tập chuỗi thời gian trên Pandas và Numpy
- Phân rã các thành phần dữ liệu chuỗi thời gian
- Các thành phần chuỗi thời gian
- Xu hướng
- Thời vụ
- Chu kì
- Mô hình phân rã các thành phần chuỗi thời gian
- Mô hình cộng
- Mô hình nhân
- Luyện tập phân rã chuỗi thời gian
- Các thành phần chuỗi thời gian
- Các bác toán về chuỗi thời gian
- Phân tích các thành phần chuỗi thời gian
- Dự báo chuỗi thời gian
- Phân loại chuỗi thời gian
- Phân đoạn chuỗi thời gian
Nội dung 2: ARIMA model
- Tính dừng và Làm mịn chuỗi thời gian
- Tính dừng là gì
- Làm mịn chuỗi thời gian
- Phương pháp Moving Average
- Phương pháp Exponential Smoothing
- Phương pháp Whittaker-Eilers Smoothing
- ARIMA Model
- Lag là gì
- Tự tương quan là gì
- Autoregressive model
- Moving Average process
- ARMA, ARIMA
- Sử dụng ARIMA bằng Python
Nội dung 3: VAR model, ARCH model, Hierachical
- Phân tích dữ liệu chuỗi thời gian đa biến
- Mô hình VAR
- Ước lượng mô hình VAR
- Đồng tích hợp
- Kiểm định số quan hệ đồng tích hợp
- Các mô hình phương sai có điều kiện
- Mô hình phương sai có điều kiện sai số thay đổi tự hồi quy - ARCH
- Mô hình GARCH
- Mô hình CHARMA
- Dữ liệu chuỗi thời gian dạng thứ bậc và dạng nhóm
- Dữ liệu chuỗi thời gian dạng thứ bậc
- Dữ liêu chuỗi thời gian dạng nhóm
- Hướng tiếp cận đơn giản
- Bottom-up
- Top-down
- Middle-out
- Hướng tiếp cận ma trận
Nội dung 4: Các thuật toán dự đoán mô hình nâng cao
- Mô hình cây trong Dự đoán chuỗi thời gian
- Một số phương pháp tạo đặc trưng mới từ dữ liệu đã có
- Huấn luyện mô hình cây cho dữ liệu nhiều chuỗi thời gian
- Deep Learning trong Dự đoán chuỗi thời gian
- Kiến trúc thành phần GRU
- Áp dụng LSTM vào dự đoán chuỗi thời gian dày đặc
Nội dung 5: Mô hình phân tích Sống Sót (Survival Analysis)
- Mô hình phân tích sống sót là gì
- Sử dụng Phân tích sống sót bằng Python
- Áp dụng Mô hình phân tích sống sót vào bài toán Khách hàng rời mạng
Nội dung 6: Anomaly Detection
- Phương pháp Thống kê
- phân loại một số mẫu bất thường bằng phương pháp thống kê
- Sử dụng Pandas để nhận diện các điểm bất thường bằng phương pháp thống kê
- Phương pháp sử dụng máy học
- Sử dụng máy học có giám sát để phân loại điểm bất thường
- Phân đoạn vùng bất thường bằng phương pháp clustering
Nội dung 7: Sử dụng một số thư viện Forecasting
- TSLearn
- MLForeacasting
- Prophet