Prognozowanie metodami uczenia maszynowego w Python

Prognozowanie jest jednym z najczęstszych zadań analizy danych: w końcu któż nie chciałby wiedzieć co będzie w przyszłości? Jednocześnie prognozowanie wydaje się trudne: w tworzeniu prognoz i stosowaniu ich w praktyce napotykamy wiele problemów, takich jak: specjalne zdarzenia, braki danych dla pewnych okresów, zmiany zachodzące w przewidywanym zjawisku i jego otoczeniu oraz skomplikowane zależności. Jednak spokojnie: na kursie poznasz techniki i narzędzia pozwalające radzić sobie z trudnościami i uzyskiwać użyteczne prognozy.

Szkolenie poświęcone jest narzędziom prognozowania szeregów czasowych dostępnym w środowisku Python. Przedstawione zostaną podstawowe i zaawansowane narzędzia prognozowania: od prognoz naiwnych, po specjalistyczne architektury głębokich sieci neuronowych (deep learning). Dużo uwagi poświęcimy pakietowi Prophet, który umożliwia tworzenie praktycznych modeli uwzględniających zdarzenia specjalne, zmiany trendu i wiele innych czynników. Wszystkie narzędzia zostaną omówione z naciskiem na ich praktyczne stosowanie, zrozumienie ich zalet i ograniczeń, na przykładach z wykorzystaniem rzeczywistych danych z różnych dziedzin.

Dla kogo?

• Analityków wykonujących lub planujących wykonywać prognozy szeregów czasowych
• Osób chcących poznać narzędzia prognozowania w środowisku Python

Co zyskasz?

• Umiejętność przygotowania danych na potrzeby prognozowania
• Wiedzę, jak prognozować szeregi czasowe w środowisku Python wykorzystując metody statystyczne i uczenie maszyn
• Znajomość pakietu Prophet umożliwiającego automatyczne prognozowanie szeregów czasowych i radzenie sobie z wieloma wyzwaniami praktycznego prognozowania

Program szkolenia:

1. Prognozowanie – jak i dlaczego
2. Badanie i przygotowanie danych
   • Data i czas w Pythonie
   • Braki danych
   • Wykrywanie odchyleń
   • Dekompozycja szeregu i stacjonarność
3. Podstawowe modele statystyczne
   • Modele naiwne
   • Wyrównywanie wykładnicze
   • ARIMA i metody pochodne
4. Prognozowanie metodami uczenia maszynowego ogólnego przeznaczenia
5. Prophet – więcej niż automat do prognozowania
   • Jak to działa
   • Automatyczne prognozowanie w Prophet
   • Kalendarz, święta i okresy specjalne
   • Szacowanie niepewności
   • Zmienne objaśniające
   • Wykrywanie zmian trendu
   • Ocena modelu
   • Wdrożenie produkcyjne
6. Sieci neuronowe zaprojektowane do prognozowania (N-BEATS)

Godziny zajęć: 8:15 – 15:30

W ramach szkolenia zapewniamy:

• obszerne materiały szkoleniowe
• świadectwo ukończenia szkolenia
• przerwy kawowe i obiad (dla szkoleń stacjonarnych)

Forma szkolenia:

• online lub stacjonarnie
• forma danej edycji podana przy terminie szkolenia

W przypadku szkoleń online:

• zajęcia prowadzone na żywo w MS Teams
• kontakt z prowadzącym w czasie rzeczywistym

Wymagania:

• znajomość obsługi komputera w środowisku Windows, Linux, MacOs
• podstawowa znajomość ekosystemu Data Science Python
• umiejętność posługiwania się JupyterLab
• rozumienie zasad uczenia maszynowego (regresja liniowa, podstawy sieci neuronowych)
• zdecydowanie zalecamy wcześniejszy udział w szkoleniu „Data Science w Python – szybki start” oraz Uczenie maszynowe w Python – szybki start

Wymagania sprzętowe i oprogramowanie:

• zainstalowane środowisko Anaconda lub Miniconda
• komputer z aktualnym systemem Windows, Linux, Mac OS (spełniający wymogi Anaconda/Miniconda)
• 8 GB RAM
• procesor Intel Core i5 6 generacji lub szybszy

W razie potrzeby pomagamy w instalacji wymaganego oprogramowania.

Cena regularna: 3495 zł netto (+23% VAT)

Cena dla akademickich użytkowników Statistica (-15%)*: 2971 zł netto (+23% VAT)

*-15% dla akademickich użytkowników Statistica z aktywnym serwisem StatSoft Polska