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