Diese Schulung soll ein tiefgreifendes Verständnis der grundlegenden Konzepte und fortgeschrittenen Techniken vermitteln, die für Datenwissenschaft und -analyse erforderlich sind. Sie vermittelt Kenntnisse in Datenwissenschaft, maschinellem Lernen (ML), Deep Learning, Python, Datenmodellierung und Datenvisualisierung.
Einführung in die Datenwissenschaft und Zeitreihenprognose- Überblick über die Prinzipien der Datenwissenschaft und ihre Anwendung in der Zeitreihenprognose.
- Die Rolle des maschinellen Lernens bei der Vorhersage zukünftiger Trends auf der Grundlage historischer Daten.
- Einführung in häufige Zeitreihenprobleme in den Bereichen Wirtschaft, Finanzen und Volkswirtschaft.
- Umgang mit fehlenden Daten und Ausreißern in zeitabhängigen Datensätzen unter Verwendung von Pandas und NumPy.
- Umwandlung von Rohdaten in Formate, die für Prognosen geeignet sind (z. B. lag features und differencing).
- Feature Engineering: Extraktion relevanter Merkmale wie Saisonalität und Trend für eine verbesserte Prognosegenauigkeit.
- Implementierung traditioneller Zeitreihenmodelle wie ARIMA und SARIMA.
- Verwendung von Prophet zur Verarbeitung saisonaler Muster und Feiertage in Zeitreihendaten.
- Implementierung von Modellen für maschinelles Lernen wie Random Forest und Gradient Boosting für Prognosen.
- Anwendung von Leistungskennzahlen wie Mean Absolute Error (MAE) und Root Mean Square Error (RMSE) zur Bewertung der Modellgenauigkeit.
- Kreuzvalidierungstechniken zur Vermeidung von Überanpassung und zur Bewertung der Robustheit des Modells.
- Verwendung von Kennzahlen zur Prognosegenauigkeit zur Feinabstimmung der Modelle für bessere Vorhersagen.
Die Inhalte verknüpfen Datenwissenschaft mit Zeitreihenprognose und kombinieren Datenwissenschaft, ML, Deep Learning, Python, Datenmodellierung, Datenvisualisierung sowie Kennzahlen wie MAE und RMSE für die Datenwissenschaft.