Python prognozēšanai: rīki biznesa analītiķiem
Pro / Tehniski analītiķi
Kad Excel vairs nepietiek
Lielu datu kopu apstrāde, atkārtojamu prognozēšanas procesu automatizācija un sarežģītāku statistisko modeļu izmantošana prasa rīkus, kurus Excel nespēj nodrošināt. Python ar bibliotēkām kā pandas, statsmodels un Prophet maina to, ko analītiķis var paveikt patstāvīgi.
Kursa pieeja
Kurss sākas ar Python pamatelementiem biznesa analīzes kontekstā — nav paredzēts programmēšanas kursam, bet gan analītiķiem, kuri vēlas apgūt pietiekami daudz, lai strādātu ar laika rindu datiem. Katrs modulis piedāvā gatavus koda fragmentus, kurus var pielāgot saviem datiem.
Bibliotēkas un to pielietojums
Tiek aplūkotas pandas datu apstrādei, statsmodels klasisko modeļu veidošanai, Prophet sezonālu laika rindu modelēšanai un scikit-learn mašīnmācīšanās metožu izmantošanai prognozēšanā. Katrai bibliotēkai ir sava stiprā puse un konteksts, kurā tā der vislabāk.
Priekšnosacījumi
Nepieciešamas pamata statistikas zināšanas un vismaz minimāla pieredze ar Excel vai jebkuru datu analīzes rīku. Python iepriekšēja pieredze nav obligāta, bet ir noderīga.
Programmas saturs
Kursa moduļi
- Modulis 1 — Python vide un pamatelementi: Jupyter, pandas, vizualizācija ar matplotlib.
- Modulis 2 — Datu ielāde, tīrīšana un laika rindu sagatavošana analīzei.
- Modulis 3 — Laika rindu dekompozīcija: tendences, sezonalitāte, atlikumi.
- Modulis 4 — ARIMA un SARIMA modeļi ar statsmodels.
- Modulis 5 — Facebook Prophet: sezonālas un svētku efektu modelēšana.
- Modulis 6 — Mašīnmācīšanās metodes prognozēšanā: gradient boosting, XGBoost.
- Modulis 7 — Modeļu salīdzināšana un izvēle: RMSE, MAPE, krosvalidācija laika rindām.
- Modulis 8 — Automatizēta prognozēšanas pipeline izveide un rezultātu vizualizācija.
- Noslēguma projekts — Pilnvērtīgs prognozēšanas risinājums reāliem datiem.