Python數(shù)據(jù)建模(時序篇)

Python數(shù)據(jù)建模（時序模型篇）【課程目標(biāo)】
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(jìn)行時間序列的數(shù)據(jù)建模，幫助學(xué)員構(gòu)建系統(tǒng)全面的預(yù)測建模思維，提升學(xué)員的數(shù)據(jù)建模綜合能力。
本系列課程從實(shí)際的業(yè)務(wù)需求出發(fā)，結(jié)合行業(yè)的典型應(yīng)用特點(diǎn)，圍繞實(shí)際的商業(yè)問題，對數(shù)據(jù)預(yù)測建模的過程進(jìn)行了全面的介紹（從模型選擇，到屬性選擇，再到訓(xùn)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(xué)員掌握數(shù)據(jù)建模的思路、方法、技巧，以提升學(xué)員的數(shù)據(jù)建模的能力，支撐運(yùn)營決策的目的。
通過本課程的學(xué)習(xí)，達(dá)到如下目的：
掌握數(shù)據(jù)建模的標(biāo)準(zhǔn)流程。
掌握時序預(yù)測建模的基本思想，理解因素分解的思路。
掌握常用的趨勢擬合模型。
掌握常用的季節(jié)預(yù)測模型，能夠進(jìn)行季節(jié)周期性的時序建模。
深刻理念平穩(wěn)序列的概念，以及平穩(wěn)性檢驗(yàn)。
掌握平穩(wěn)序列的模型識別，以及模型定階。
掌握時序預(yù)測模型的評估，以及優(yōu)化。
掌握高級時序模型的訓(xùn)練與建模。
【授課時間】
2天時間
（要根據(jù)學(xué)員的實(shí)際情況調(diào)整重點(diǎn)內(nèi)容及時間）
【授課對象】
業(yè)務(wù)支撐部、運(yùn)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。
【學(xué)員要求】
每個學(xué)員自備一臺便攜機(jī)(必須)。
便攜機(jī)中事先安裝好Python 3.9版本及以上。
安裝好Numpy,Pandas,statsmodels,sklearn,scipy,keras等擴(kuò)展庫。
注：講師現(xiàn)場提供分析的代碼和數(shù)據(jù)源。
【授課方式】
建模流程+ 案例演練 + 開發(fā)實(shí)踐 + 可視化呈現(xiàn)
采用互動式教學(xué)，圍繞業(yè)務(wù)問題，展開數(shù)據(jù)分析過程，全過程演練操作，讓學(xué)員在分析、分享、講授、總結(jié)、自我實(shí)踐過程中獲得能力提升。
【課程大綱】
預(yù)測建?；A(chǔ)
數(shù)據(jù)建模六步法
選擇模型：基于業(yè)務(wù)選擇恰當(dāng)?shù)臄?shù)據(jù)模型
屬性篩選：選擇對目標(biāo)變量有顯著影響的屬性來建模
訓(xùn)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(jìn)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(jìn)行優(yōu)化
應(yīng)用模型：如果評估結(jié)果滿足要求，則可應(yīng)用模型于業(yè)務(wù)場景
數(shù)據(jù)挖掘常用的模型
數(shù)值預(yù)測模型：回歸預(yù)測、時序預(yù)測等
分類預(yù)測模型：邏輯回歸、決策樹、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等
市場細(xì)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(jī)效用等
產(chǎn)品定價：定價策略/最優(yōu)定價等
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）
訓(xùn)練模型及實(shí)現(xiàn)算法
模型原理
算法實(shí)現(xiàn)
評估模型
評估指標(biāo)
評估方法
殘差評估
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
模型應(yīng)用
模型解讀
模型保存/加載
模型應(yīng)用/預(yù)測
好模型是優(yōu)化出來的
時序模型評估
評估指標(biāo)
判定系數(shù)：R2和R?2平均誤差：MAE
根均方差：RMSE
平均誤差率：MAPE
信息準(zhǔn)則指標(biāo)
赤池信息準(zhǔn)則（Akaike Information Criterion，AIC）
貝葉斯信息準(zhǔn)則（Bayesian Information Criterion，BIC）
HQIC（Hannan-Quinn Information Criterion，HQIC）
評估方法
滾動交叉驗(yàn)證法（cross validation）
其它評估
殘差評估：白噪聲評估
趨勢預(yù)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(wù)受季節(jié)性因素影響，未來的銷量如何預(yù)測？
時間序列簡介
時序預(yù)測的原理及應(yīng)用場景
常見時序預(yù)測模型
趨勢類預(yù)測模型
季節(jié)類預(yù)測模型
平穩(wěn)時序預(yù)測模型
其它高級模型
移動平均
應(yīng)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
最佳期數(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(yù)測模型及評估
演練：快銷產(chǎn)品季節(jié)銷量預(yù)測及評估
指數(shù)平滑
應(yīng)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(yù)測
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
季節(jié)預(yù)測模型
因素分解思想
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
Holt-Winters季節(jié)模型
三個組成部分
三個平滑因子
HW加法模型
適用場景
計算公式
超參優(yōu)化
模型解讀
HW乘法模型
HW指數(shù)模型
案例：航空飛行里程預(yù)測模型
案例：汽車銷量預(yù)測模型
案例：沃爾瑪收益預(yù)測模型
基于回歸的季節(jié)模型
相加模型
相乘模型
模型訓(xùn)練及優(yōu)化
模型解讀
平穩(wěn)序列模型
平穩(wěn)序列預(yù)測模型簡介
序列平穩(wěn)性概念
恒定的均值
恒定的標(biāo)準(zhǔn)差
與位置無關(guān)的協(xié)方差
序列平穩(wěn)性檢驗(yàn)
折線圖法
ACF/PACF圖
ADF檢測法
特殊平穩(wěn)序列：白噪聲
案例：序列平穩(wěn)性檢驗(yàn)
案例：白噪聲檢驗(yàn)
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
模型識別
ACF圖
PACF圖
模型定階
圖形定階（ACF/PACF）
最小信息準(zhǔn)則定階
非平穩(wěn)序列處理
平滑法
變量變換
差分運(yùn)算：k步差分與d階差分
ARIMA(p,d,q)建模流程
案例：上海證券交易所收盤價建模
SARIMA(p,d,q)(P,D,Q,S)模型
圖形確定階數(shù)
遍歷確定階數(shù)
時序模型總結(jié)
模型質(zhì)量評估篇
回歸模型的評估指標(biāo)
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(biāo):MAE/MAPE/RMSE
平均絕對誤差MAE
均方差MSE/RMSE
平均誤差率MAPE
模型的評估方法
原始評估法
留出法（Hold-Out）
交叉驗(yàn)證法（k-fold cross validation）
自助采樣法（Bootstrapping）
時間序列的滾動交叉驗(yàn)證
高級時序模型
Prophet模型介紹
趨勢擬合
季節(jié)性預(yù)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(yù)測模型
LSTM模型簡介
數(shù)據(jù)集構(gòu)造
形狀構(gòu)造
滾動預(yù)測
實(shí)戰(zhàn)：廣告點(diǎn)擊量時序建模
結(jié)束：課程總結(jié)與問題答疑。

傅一航老師的其它課程