Forecasting durch die Modellierung von Zeitreihen mit Python

Unternehmen möchten häufig in der Lage sein, verschiedene Aspekte ihres Tagesgeschäfts vorherzusagen, zum Beispiel für Umsatzprognosen, Arbeitslastprognosen oder Prozess- und Qualitätskontrolle. Diese Vorhersagen haben oft etwas mit der Zeitreihenanalyse zu tun.

Dieser Workshop soll Teilnehmerinnen und Teilnehmer mit den Grundlagen der Zeitreihenanalyse vertraut machen und zeigen, wie Python-Werkzeuge zum Aufbau von ARIMA-(Autoregressive Integrated Moving Average)- und ETS-(Error Trend and Seasonality)-Modellen für die Erstellung von Prognosen eingesetzt werden können.
Außerdem lernen Teilnehmerinnen und Teilnehmer, wie Sie die Ergebnisse statistischer Methoden interpretieren, um ihre Modelle zu verbessern.

Vorkenntnisse

* Grundlegende Python-Programmierung.
* Einige Vorkenntnisse über statistische Konzepte können hilfreich sein, sind aber nicht zwingend erforderlich.

Lernziele

* Zeitreihenanalyse versus Vorhersage
* Typische Zeitreihen-Muster wie Trend, Saisonalität, Autokorrelation
* Verschiedene Visualisierungstechniken zur Darstellung von Zeitreihendaten
* Interpretieren statistischer Tests wie ADF, ACF und PACF
* Modellierung von Zeitreihen mit ARMA, ARIMA, saisonaler ARIMA und ETS

 

Speaker

 

Parinaz Ameri
Parinaz Ameri übernahm nach ihrer Promotion die Leitung eines Datenanalyselabors, wo sie das Architekturdesign einer heterogenen Plattform für Big-Data-Analysen beaufsichtigte. In diesem Zusammenhang leitete sie ein Team von Data Scientists, die Beratungsdienstleistungen im Bereich KI-Methoden für KMU anbieten. Seit 2019 arbeitet sie bei Trivadis als Beraterin für Big Data und Advanced Analytics.

Silber-Sponsoren

codecentric
inovex
Opitz Consulting

data2day-Newsletter

Sie möchten über die data2day
auf dem Laufenden gehalten werden?

 

Anmelden