Временные ряды [simulative] [Павел Беляев]

[Vendetta]

Складчина: Временные ряды [simulative] [Павел Беляев]



Научитесь с лёгкостью закрывать задачи, связанные с прогнозированием в разных сферах.
Авторский курс от Павла Беляева для практикующих аналитиков.

Что такое временные ряды и зачем они нужны?
Временные ряды — это данные, упорядоченные по времени: например, продажи по дням, трафик по часам или курс валют по минутам.
Они нужны, чтобы находить закономерности в динамике, прогнозировать будущие значения и принимать более точные решения — от планирования спроса до выявления аномалий и трендов.

Этот курс — для вас, если вы...

Аналитик данных или BI-аналитик (специалист по визуализации)
и хотите перейти от описательной статистики к качественному прогнозированию бизнес-метрик
Дата-сайентист (специалист по данным)
и хотите освоить эконометрические методы (VAR, VECM) и продвинутые библиотеки (Prophet, Neural Prophet) для работы с финансовыми или производственными данными
Работаете в смежной сфере
и вам важно понимать сезонность, тренды и причинно-следственные связи в данных
В каких сферах пригодятся эти навыки?

Финансы и трейдинг
Например: анализ взаимосвязей между ценами активов и объёмами торгов с использованием коинтеграции.
Ритейл и продажи
Например: точное прогнозирование спроса с учётом сложной сезонности и праздников (через Prophet и Sarima).
Экономика и производство
Например: использование фильтрации для долгосрочного планирования и оценки влияния внешних факторов
Программа курса

1. Введение в временные ряды: основы
1.1 Что такое временной ряд: компоненты (тренд, сезонность, цикличность, шум).
1.2 Типы временных рядов (стационарные/нестационарные, аддитивные/мультипликативные).
1.3 Визуализация: графики, сезонные декомпозиции, коррелограммы.
1.4 Применение на практике, примеры

2. Практикум: первичное исследование и очистка временного ряда
2.1 Загрузка данных, построение графиков, тесты на стационарность в Python
2.2 Проверка стационарности: тесты (ADF, KPSS), дифференцирование.
2.3 Обработка пропусков и аномалий.

3. Классические методы моделирования: Arima
3.1 Модель Arima: концепция, подбор порядка (p,d,q), диагностика остатков.
3.2 Сезонная Arima (Sarima): учёт периодичности.

Автор и спикер тренинга: Павел Беляев
Руководитель группы дата-аналитиков в Яндекс eLama, ведущий телеграм-канала «Тимлидское об аналитике»
С 2018 в аналитике данных, с 1998 в IT.
Руководитель группы дата-аналитиков в Яндекс eLama, с 2020 управляет командой аналитиков.
Ведущий телеграм-канала «Тимлидское об аналитике» и ментор курса Simulative "Дата-аналитик"
Преподаватель, автор и редактор учебных материалов и технических статей о дата-аналитике в Иннополисе, Нетологии, Skill Factory, vaiti.io, Habr, Simulative, Дзен.
Стек технологий: Clickhouse, BigQuery, PostgreSQL, Google.Cloud, Yandex.Cloud, SQL, Python, Google.Analytics, Яндекс.Метрика, Airflow.
Область профессиональных интересов: дата-аналитика, автоматизация работы с данными и метаданными, дата-инженерия, прогнозирование временных рядов, качество данных, веб-аналитика, самообслуживаемые решения (Self Service).






СКАЧАТЬ КУРСЫ

Для просмотра скрытого содержимого вы должны зарегистрироваться