Struttura del corso

ARIMA Models per Serie Temporale Forecasting

Tecnologie Avanzate Forecasting

Valutazione e Ottimizzazione dei Modelli di Previsione

Esploratorio Data Analysis per Serie Temporali

Introduzione a Prophet per Serie Temporali Forecasting

Introduzione all'Analisi delle Serie Temporali

Applicazioni del Mondo Reale dell'Analisi delle Serie Temporali

Riepilogo e Prossimi Passaggi

  • Studi di caso sulla previsione delle serie temporali
  • Esercizi pratici con set di dati del mondo reale
  • Prossimi passaggi per l'analisi delle serie temporali in Python
  • Gestione dei dati mancanti nelle serie temporali
  • Previsione di serie temporali multivariate
  • Personalizzazione delle previsioni con regressori esterni
  • Panoramica di Prophet per la previsione delle serie temporali
  • Implementazione dei modelli Prophet in Google Colab
  • Gestione di festività e eventi speciali nella previsione
  • Panoramica dei dati delle serie temporali
  • Componenti della serie temporale: tendenza, stagionalità, rumore
  • Configurazione di Google Colab per l'analisi delle serie temporali
  • Metriche di prestazioni per la previsione delle serie temporali
  • Ottimizzazione dei modelli ARIMA e Prophet
  • Validazione incrociata e backtesting
  • Comprensione di ARIMA (AutoRegressive Integrated Moving Average)
  • Scelta dei parametri per i modelli ARIMA
  • Implementazione dei modelli ARIMA in Python
  • Visualizzazione dei dati delle serie temporali
  • Decomposizione dei componenti delle serie temporali
  • Rilevamento di stagionalità e tendenze

Requisiti

Audience

  • Analisti di dati
  • Scienziati dei dati
  • Professionisti che lavorano con dati in serie temporali
  • Conoscenze intermedie di Python programming
  • Familiarità con tecniche statistiche e analisi dei dati di base
 21 ore

Numero di Partecipanti


Prezzo per Partecipante

Recensioni (5)

Corsi in Arrivo

Categorie relative