課程描述INTRODUCTION
Python時序模型
· 系統(tǒng)工程師· 技術(shù)總監(jiān)· 高層管理者· 中層領(lǐng)導
培訓講師：傅一航
課程價格：￥元/人
培訓天數(shù)：2天
日程安排SCHEDULE
課程大綱Syllabus
Python時序模型
【課程目標】
本課程為中級課程《大數(shù)據(jù)建?！返牡诙簳r序篇
本課程主要講解如何利用Python進行時間序列的數(shù)據(jù)建模，幫助學員構(gòu)建系統(tǒng)全面的預測建模思維，提升學員的數(shù)據(jù)建模綜合能力。
本系列課程從實際的業(yè)務需求出發(fā)，結(jié)合行業(yè)的典型應用特點，圍繞實際的商業(yè)問題，對數(shù)據(jù)預測建模的過程進行了全面的介紹（從模型選擇，到屬性選擇，再到訓練模型，評估模型以及優(yōu)化模型），通過大量的操作演練，幫助學員掌握數(shù)據(jù)建模的思路、方法、技巧，以提升學員的數(shù)據(jù)建模的能力，支撐運營決策的目的。
通過本課程的學習，達到如下目的：
1、掌握數(shù)據(jù)建模的標準流程。
2、掌握時序預測建模的基本思想，理解因素分解的思路。
3、掌握常用的趨勢擬合模型。
4、掌握常用的季節(jié)預測模型，能夠進行季節(jié)周期性的時序建模。
5、深刻理念平穩(wěn)序列的概念，以及平穩(wěn)性檢驗。
6、掌握平穩(wěn)序列的模型識別，以及模型定階。
7、掌握時序預測模型的評估，以及優(yōu)化。
8、掌握高級時序模型的訓練與建模。
【授課對象】
業(yè)務支撐部、運營分析部、數(shù)據(jù)分析部、IT系統(tǒng)部、大數(shù)據(jù)系統(tǒng)開發(fā)部等相關(guān)技術(shù)人員。
【課程大綱】
一、預測建?；A(chǔ)
1、數(shù)據(jù)建模六步法
－選擇模型：基于業(yè)務選擇恰當?shù)臄?shù)據(jù)模型
－屬性篩選：選擇對目標變量有顯著影響的屬性來建模
－訓練模型：采用合適的算法，尋找到最合適的模型參數(shù)
－評估模型：進行評估模型的質(zhì)量，判斷模型是否可用
－優(yōu)化模型：如果評估結(jié)果不理想，則需要對模型進行優(yōu)化
－應用模型：如果評估結(jié)果滿足要求，則可應用模型于業(yè)務場景
2、數(shù)據(jù)挖掘常用的模型
－數(shù)值預測模型：回歸預測、時序預測等
－分類預測模型：邏輯回歸、決策樹、神經(jīng)網(wǎng)絡、支持向量機等
－市場細分：聚類、RFM、PCA等
－產(chǎn)品推薦：關(guān)聯(lián)分析、協(xié)同過濾等
－產(chǎn)品優(yōu)化：回歸、隨機效用等
－產(chǎn)品定價：定價策略/最優(yōu)定價等
3、屬性篩選/特征選擇/變量降維
－基于變量本身特征
－基于相關(guān)性判斷
－因子合并（PCA等）
－IV值篩選（評分卡使用）
－基于信息增益判斷（決策樹使用）
4、訓練模型及實現(xiàn)算法
－模型原理
－算法實現(xiàn)
5、評估模型
－評估指標
－評估方法
－殘差評估
6、模型優(yōu)化
－優(yōu)化模型：選擇新模型/修改模型
－優(yōu)化數(shù)據(jù)：新增顯著自變量
－優(yōu)化公式：采用新的計算公式
7、模型應用
－模型解讀
－模型保存/加載
－模型應用/預測
8、好模型是優(yōu)化出來的
二、時序模型評估
1、評估指標
－判定系數(shù)：和
－平均誤差：MAE
－根均方差：RMSE
－平均誤差率：MAPE
2、信息準則指標
－赤池信息準則（Akaike Information Criterion，AIC）
－貝葉斯信息準則（Bayesian Information Criterion，BIC）
－HQIC（Hannan-Quinn Information Criterion，HQIC）
3、評估方法
－滾動交叉驗證法（cross validation）
4、其它評估
－殘差評估：白噪聲評估
三、趨勢預測模型
問題：無法找到影響因素，無法回歸建模，怎么辦？隨著業(yè)務受季節(jié)性因素影響，未來的銷量如何預測？
1、時間序列簡介
2、時序預測的原理及應用場景
3、常見時序預測模型
－趨勢類預測模型
－季節(jié)類預測模型
－平穩(wěn)時序預測模型
－其它高級模型
4、移動平均
－應用場景及原理
－理解滑動窗口
－移動平均種類
－一次移動平均
－二次移動平均
－加權(quán)移動平均
－移動平均比率法
－移動平均關(guān)鍵問題
－*期數(shù)N的選擇原則
－最優(yōu)權(quán)重系數(shù)的選取原則
演練：銷售額預測模型及評估
演練：快銷產(chǎn)品季節(jié)銷量預測及評估
5、指數(shù)平滑
－應用場景及原理
－最優(yōu)平滑系數(shù)的選取原則
－指數(shù)平滑種類
－一次指數(shù)平滑
－二次指數(shù)平滑（Brown線性）
－三次指數(shù)平滑
演練：煤炭產(chǎn)量預測
6、Holt趨勢模型（亦稱二次指數(shù)平滑）
－Holt線性模型
－Holt指數(shù)模型
－阻尼線性趨勢
－阻尼指數(shù)趨勢
四、季節(jié)預測模型
1、因素分解思想
2、時間序列的四個構(gòu)成要素
－長期趨勢Trend
－季節(jié)變動Seasonality
－循環(huán)變動Circle
－不規(guī)則變動Irregular
案例：時間序列的季節(jié)分解
3、Holt-Winters季節(jié)模型
－三個組成部分
－三個平滑因子
4、HW加法模型
－適用場景
－計算公式
－超參優(yōu)化
－模型解讀
5、HW乘法模型
6、HW指數(shù)模型
案例：航空飛行里程預測模型
案例：汽車銷量預測模型
案例：沃爾瑪收益預測模型
7、基于回歸的季節(jié)模型
－相加模型
－相乘模型
－模型訓練及優(yōu)化
－模型解讀
五、平穩(wěn)序列模型
1、平穩(wěn)序列預測模型簡介
2、序列平穩(wěn)性概念
－恒定的均值
－恒定的標準差
－與位置無關(guān)的協(xié)方差
3、序列平穩(wěn)性檢驗
－折線圖法
－ACF/PACF圖
－ADF檢測法
4、特殊平穩(wěn)序列：白噪聲
案例：序列平穩(wěn)性檢驗
案例：白噪聲檢驗
5、平穩(wěn)序列常用擬合模型
－AR(p)自回歸模型
－MA(q)移動平均模型
－ARMA(p,q)自回歸移動平均模型
6、模型識別
－ACF圖
－PACF圖
7、模型定階
－圖形定階（ACF/PACF）
－最小信息準則定階
8、非平穩(wěn)序列處理
－平滑法
－變量變換
－差分運算：k步差分與d階差分
9、ARIMA(p,d,q)建模流程
案例：上海證券交易所收盤價建模
10、SARIMA(p,d,q)(P,D,Q,S)模型
－圖形確定階數(shù)
－遍歷確定階數(shù)
11、時序模型總結(jié)
六、模型質(zhì)量評估篇
1、回歸模型的評估指標
－三個基本概念:SSR/SST/SSE
－兩個判定系數(shù):R^2,調(diào)整R^2
－三個誤差指標:MAE/MAPE/RMSE
－平均*誤差MAE
－均方差MSE/RMSE
－平均誤差率MAPE
2、模型的評估方法
－原始評估法
－留出法（Hold-Out）
－交叉驗證法（k-fold cross validation）
－自助采樣法（Bootstrapping）
3、時間序列的滾動交叉驗證
七、高級時序模型
1、Prophet模型介紹
－趨勢擬合
－季節(jié)性預測
－節(jié)假日和特殊事件的影響
－離群值分析
案例：銷售額時序預測模型
2、LSTM模型簡介
－數(shù)據(jù)集構(gòu)造
－形狀構(gòu)造
－滾動預測
八、廣告點擊量時序建模
結(jié)束：課程總結(jié)與問題答疑。
Python時序模型
轉(zhuǎn)載：http://www.nywlwx.com/gkk_detail/265683.html
