دوره آموزشی مدل سازی سری زمانی در Excel، R و Power BI

2 ساعتپیشرفته2023-03-23

مدرسین

Helen Wall

Data analytics and business analysis expert

جزئیات دوره

استفاده از مدل های سری زمانی به یک موضوع اصلی در دنیای علم داده امروزی تبدیل شده است. در این دوره، مربی هلن وال به شما نشان می‌دهد که چگونه مدل‌های میانگین متحرک یکپارچه اتورگرسیو (ARIMA) را به عنوان ابزارهای مدل‌سازی سری زمانی پیش‌بینی‌کننده در Excel، R و Power BI اجرا کنید.

بلوک‌های سازنده تجزیه سری‌های زمانی را کاوش کنید، که به شما امکان می‌دهد داده‌ها را با دقت، سازگاری و سهولت پیش‌بینی کنید. به اصول ضرایب خودرگرسیون، خودهمبستگی، ضرایب میانگین متحرک، ایستایی و پیاده روی تصادفی با اجزای یکپارچه، و نحوه پیش‌بینی مدل‌های سری زمانی با استفاده از Power BI نگاهی عمیق بیندازید. در پایان این دوره، شما آماده خواهید بود تا مهارت های جدید تجزیه و تحلیل داده های خود را به کار بگیرید تا تصمیمات به موقع و موثرتری برای کسب و کار خود بگیرید.

مهارت ها

RPower BIStatisticsBusiness AnalyticsBusiness IntelligenceMachine LearningSpreadsheetsMicrosoft ExcelData AnalysisArtificial Intelligence (AI)Programming LanguagesData ScienceBusiness Analysis and StrategyBusiness Software and ToolsOpen SourceMicrosoftSoftware DevelopmentDeep Dive (X:Y)

سرفصل ها

0. مقدمه

01 - پیش‌بینی آینده با مدل‌های سری زمانی
02 - آنچه باید بدانید
03 - پروژه دوره

1. مدل‌های سری زمانی

04 - مدل‌های سری زمانی
05 - خرما
06 - فهرست زمان تاریخ
07 - اشیاء سری زمانی
08 - فیلتر کردن
09 - حذف NA
10 - تجمیع و گروه بندی
11 - تجزیه سری زمانی
12 - افزودن خطوط برازش شده
13 - پیش‌بینی روندهای آتی
14 - چالش - جمع‌آوری داده‌های سری زمانی
15 - راه حل - جمع‌آوری داده‌های سری زمانی

2. خودرگرسیون

16 - رگرسیون خطی بهترین تناسب خطوط
17 - باقیمانده ها
18 - تاخیر
19 - خودرگرسیون
20 - میانگین متحرک
21 - چالش - تعیین روندهای کلی
22 - راه حل - تعیین روندهای کلی

3. روند زمان

23 - خود همبستگی
24 - خود همبستگی جزئی
25 - ایستایی
26 - مدل سازی ARIMA
27 - مدل سازی Power BI
28 - چالش - پیش‌بینی تقاضای هفته آینده
29 - راه حل - پیش‌بینی تقاضای هفته آینده

نتیجه

30 - دانش سری زمانی خود را گسترش دهید