Idősoros adatelemzés és előrejelzés - klasszikus modellektől az ML megoldásokig
Oktatói mentorációval kísért online képzés a leggyakrabban használt előrejelzési technikákról, a klasszikus statisztikai modellektől a neurális hálókig, valós üzleti problémákon.
Mit fogsz tanulni?
8 hét alatt az idősoros adatok alapjaitól és vizualizációjától az ARIMA/SARIMAX modelleken és a gépi tanuláson át az LSTM-alapú deep learning előrejelzésekig és az önálló záróprojektig.
1 Idősoros adatok alapjai és vizualizáció Az idősoros adatok fogalmainak, szerkezetének és típusainak megismerése, valamint trendek és szezonalitás vizuális felismerése Pythonban.
- Mi az az idősoros adat? – Fogalmak és példák
- Idősoros adatok szerkezete és típusai
- Időindex és dátumformátumok kezelése Pythonban
- Az első idősoros grafikon elkészítése (Matplotlib / Seaborn)
- Trendek és szezonalitás felismerése vizuálisan
2 Adattisztítás és feltáró elemzés Hiányzó adatok és kiugró értékek kezelése, idősorok dekompozíciója, stacionaritás-tesztelés és feltáró adatelemzés.
- Hiányzó adatok felismerése és pótlása idősorokban
- Kiugró értékek (anomáliák) azonosítása és kezelése
- Idősorok dekompozíciója: trend, szezonális és reziduális komponens
- Stacionaritás fogalma és tesztelése (Dickey-Fuller teszt)
- Feltáró adatelemzés: mit árul el az idősor a jövőről?
3 Klasszikus idősoros modellek Mozgóátlag, exponenciális simítás, Holt–Winters és ARIMA modellek illesztése Pythonban, előrejelzési hibák mérésével.
- Mozgóátlag (MA) modellek és simítás
- Exponenciális simítás és Holt–Winters módszer
- Az ARIMA modellek elmélete – autokorreláció és differenciálás
- ARIMA modellek illesztése Pythonban (statsmodels)
- Modellértékelés és előrejelzési hibák mérése (MAE, RMSE)
4 Haladó statisztikai modellezés SARIMA/SARIMAX modellek, exogén változók bevonása, modellválasztás és -validálás egy üzleti esettanulmányon keresztül.
- Szezonális ARIMA (SARIMA) modellek – szezonalitás kezelése
- Külső (exogén) változók bevonása – ARIMAX és SARIMAX
- Modellválasztás AIC/BIC kritériumok alapján
- Modellvalidálás: train-test split és backtesting
- Esettanulmány: üzleti előrejelzés SARIMAX modellel
5 Gépi tanulás és Deep Learning idősorokra Feature engineering és ablakolás, Random Forest és XGBoost előrejelzések, valamint RNN/LSTM modellek TensorFlow-ban vagy PyTorch-ban.
- Gépi tanulás alapelvei idősorok esetén
- Feature engineering és idősoros ablakolás
- Klasszikus ML modellek: Random Forest és XGBoost előrejelzések
- RNN és LSTM modellek működése idősorokhoz
- Idősorok normalizálása és predikció TensorFlow-ban / PyTorch-ban
6 Előrejelzés és záróprojekt Teljes előrejelzési pipeline felépítése, modellek összehasonlítása, valamint a záróprojekt elkészítése és prezentálása.
- Előrejelzési pipeline felépítése lépésről lépésre
- Modellek összehasonlítása és teljesítménymérés
- Valós üzleti probléma megoldása (projektfeladat)
- Eredmények vizualizálása és prezentálása
- Záróösszefoglaló: Mit tanultunk az idősorelemzésről?
Miért érdemes belevágnod?
Ma szinte minden iparág óriási mennyiségű időbélyegzett adatot gyűjt: a webshopok forgalmi adatait, ipari szenzorok mérési sorait, pénzügyi tranzakciókat. Ez az adatmennyiség önmagában azonban nem teremt értéket, a valódi kihívás és üzleti lehetőség az adatokban rejlő mintázatok felismerésében és a jövőbeli események megbízható előrejelzésében rejlik.
Egy kereskedelmi cég a pontosabb keresletbecsléssel optimalizálhatja a készleteit, elkerülve a felesleges raktározási költségeket. Egy energetikai szolgáltató a fogyasztási predikciók segítségével hatékonyabban menedzselheti a hálózatát, egy gyártóüzem pedig a gépek szenzoradatai alapján előre jelezheti a karbantartási igényeket, megelőzve a költséges leállásokat.
Ehhez az adattudomány egy mély szakértelmet igénylő területére van szükség: az idősoros elemzésre és előrejelzésre (time series forecast). Míg a klasszifikációs és regressziós modelleket sokan ismerik, az időbeli függőségek és mintázatok helyes kezelése speciális módszertant és naprakész technológiai tudást kíván.
- Munka mellett végezheted, rugalmas időbeosztással
- Gyakorlati projekteken keresztül, oktatói mentorálással
- LinkedIn profilodba beágyazható tanúsítvány
Ismerd meg oktatódat
Orbán János
Data Scientist
2017 óta foglalkozom adattudománnyal. Szakmai tapasztalatomat a Boschnál szereztem az önvezető autók területén, ahol csoportvezetőként egy vezetéstámogató platformon dolgozó DevOps csapatot és egy ML/AI csapatot is irányítottam.
Jelenleg a Pannon Egyetem adat- és rendszertudományi szakmérnök képzésén fejlesztem tovább a tudásomat: szakdolgozatomat az idősoros adatelemzés és előrejelzés témakörében írom.
Kinek ajánlott?
- Data Scientisteknek, Data Analysteknek, akik szeretnék bővíteni előrejelzési, idősoros modellezési ismereteiket
- Machine Learning Engineereknek, akik gépi tanulási vagy deep learning-alapú időbeli előrejelző rendszerekkel dolgoznak, vagy ilyenek fejlesztését tervezik
- Business Intelligence (BI) elemzőknek, üzleti elemzőknek, akik üzleti folyamatok, értékesítés, kereslet, pénzügyi vagy logisztikai adatok időbeli elemzésével foglalkoznak
- Data Engineereknek, adatinfrastruktúra-fejlesztőknek, akik komplex adat pipeline-ban, idősoros adattárolásban, előfeldolgozásban vesznek részt
- Gazdasági, pénzügyi, logisztikai, egészségügyi, technológiai szakembereknek, akik munkájuk során időbeli trendeket, szezonális mintákat, előrejelzéseket kell készítsenek
Mik a képzés előkövetelményei?
Ha jártas vagy egyszerűbb grafikonok készítésében Matplotlib vagy Seaborn segítségével, illetve van már tapasztalatod az adattisztításban, például a hiányzó adatok kezelésében, az előny, de nem feltétel.
Hogyan fogsz tanulni?
Gyakorlatorientált oktatás
Minden héten egy konkrét gyakorlati feladatot készítesz el majd Jupyter Notebook-ban. Záróprojektént, a képzés végén pedig egy önálló idősoros előrejelzési projektet készítesz el. Interaktív digitális tananyag : a gyakorlati feladatok elvégzéséhez és a tanfolyam sikeres teljesítéséhez szükséges tudást digitális tananyagok és vezetett kódolások formájában adjuk át
Rugalmas időbeosztás
A tanfolyamot munka mellett is végezheted, hiszen a tananyag elsajátítása heti 8-12 óra elfoglaltságot igényel összesen, melyet saját időbeosztás szerint dolgozhatsz fel.
Oktatói mentoring
A képzés ideje alatt az oktató folyamatosan a rendelkezésedre áll, bármikor kérdezhetsz tőle, ha elakadtál, és rendszeresen visszajelzést ad a feladataidra, fejlődésedet végigkíséri.
Konzultációk
Valamennyi tanegység végén egy-egy élő konzultációs alkalmat is szervezünk este 18:00 órától, amikor élőben is felteheted kérdéseidet, közösen kiértékelitek és átbeszélitek a gyakorlás során elkészített projekteket, és tanulhattok egymás elakadásaiból is.
Visszanézhető LIVE alkalmak
Akkor sincs semmi baj, ha egy élő konzultációs alkalmon nem tudsz részt venni, hiszen a kérdéseid előre is elküldheted írásban, a válaszokat és az egész LIVE-ot pedig visszanézheted másnap 16:00 órától.
Limitált férőhely
A fent említett interakciók miatt képzéseinket korlátozott létszámmal indítjuk csak el, hogy biztosan jusson mindenkire ideje az oktatóknak.
Minőségbiztosított képzések
Képzéseink szakmai minőségbiztosítását az iparági vezető technológiai vállalatok és a Budapesti Műszaki és Gazdaságtudományi Egyetem végzi.
- Tanúsítványt kapsz, amelyet önéletrajzodhoz és LinkedIn profilodhoz csatolhatsz
- Bizonyítja, hogy elsajátítottad az adott ismereteket
- Segíti a szakmai előmeneteledet és karriered fejlődését
Jó társaságban leszel!
Már több mint 150 hazai és nemzetközi cég munkatársa képezte magát tovább nálunk.
Tudtad?
A munkáltatók 83%-a finanszírozza a munkatársak képzését, ne felejtsd el megkérdezni a tiédet!
Fizetési lehetőségek
Többféle fizetési lehetőséget biztosítunk, hogy a legmegfelelőbb opciót válaszd.
Online fizetés bankkártyával
Az OTP SimplePay az egyik legelterjedtebb online fizetési megoldás — gyors és biztonságos fizetési folyamatáról ismert.
Kamatmentes részletfizetés
Nem szeretnénk, ha a fizetési nehézségek akadályoznák a szakmai fejlődésedet, ezért a részvételi díjat több részletben, teljesen kamatmentesen is kifizetheted.
Fizetés banki átutalással, egy összegben
Ha online kártyás fizetés helyett banki átutalással szeretnél fizetni, az sem probléma — írj nekünk, és ebben is segítünk.
Készen állsz a jelentkezésre?
Jelentkezz most, és kezdd el a fejlődést!