مدل‌سازی سری‌های زمانی و داده‌ متوالی

توضیحات دوره

در این دوره شما یاد می‌گیرید مدل‌هایی که برای یک سری متوالی و واحد طراحی شده‌اند را بسازید، اصلاح کنید، برون‌یابی کنید و در برخی موارد تفسیر کنید. سه رویکرد مدل‌سازی ارائه شده است. رویکرد سنتی Box-Jenkins برای مدل‌سازی سری‌های زمانی در بخش 1 دوره پوشش داده می‌شود.

این ارائه دانشجویان را از مدل‌های داده‌ استاتیک یا ARMA، به مدل‌های روند و فصلی بودن، ARIMA، می‌برد و با اطلاعاتی درباره مشخص کردن کامپوننت‌های تابع انتقال در یک مدل ARIMAX، یا رگرسیون سری‌های زمانی، به پایان می‌رسد.

سپس یک رویکرد بیزی برای مدل‌سازی سری‌های زمانی بررسی می‌شود. فریمورک اولیه بیزی برای در نظر گرفتن تغییرات اتورگرسیو در داده‌ و همچنین اثرات متغیر ورودی پویا گسترش یافته است.

الگوریتم‌های یادگیری ماشین برای سری‌های زمانی سومین رویکرد است. الگوریتم‌های گرادیان بوستینگ و شبکه عصبی بازگشتی به‌ طور ویژه برای در نظر گرفتن روابط غیرخطی در داده‌ مناسب هستند. مثال‌هایی برای ایجاد شهود درباره استفاده موثر از این الگوریتم‌ها ارائه شده است.

دوره با بررسی اینکه چگونه دقت پیش‌بینی را می‌توان با ترکیب نقاط قوت رویکردهای مختلف بهبود بخشید، به پایان می‌رسد. درس نهایی شامل نمایش‌هایی درباره ایجاد پیش‌بینی‌های مدل ترکیبی (یا گروهی) و هیبریدی است.

این دوره برای تحلیلگرانی مناسب است که علاقه‌مند به تقویت مهارت‌های یادگیری ماشین خود با ابزارهای تحلیلی هستند که برای سنجش، اصلاح، مدل‌سازی، پیش‌بینی و مدیریت داده‌‌ای که شامل متغیرهای جمع‌آوری شده در طول زمان هستند، مناسب می‌باشند.

این دوره از انواع ابزارهای نرم‌افزاری مختلف استفاده می‌کند. آشنایی با Base SAS و SAS/ETS و SAS/STAT و SAS Visual Forecasting و همچنین ابزارهای منبع‌باز برای مدیریت داده‌ متوالی و مدل‌سازی مفید است اما الزامی نیست. دروس مربوط به تحلیل بیزی و مدل‌های یادگیری ماشین، دانش قبلی درباره این مباحث را فرض می‌کنند. یکی از راه‌هایی که دانشجویان می‌توانند این پیشینه را به دست آورند، تکمیل دوره‌های آموزشی SAS است: تحلیل بیزی با استفاده ازSAS و یادگیری ماشین با استفاده از نرم‌افزار SAS Viya