SAS Visual Forecasting

Nazwa szkolenia Poziom szkolenia Rodzaj szkolenia
Prognozowanie z użyciem Model Studio w SAS Viya
Kurs ten umożliwia praktyczne zapoznanie się z funkcjonalnością prognozowania w Model Studio, będącym częścią składową SAS Viya. Kurs rozpoczyna się od pokazania jak załadować dane do pamięci i wizualizacji danych szeregów czasowych, które mają być modelowane. Zmienne atrybutów są wprowadzane i implementowane w wizualizacji. Następnie kurs obejmuje podstawowe zagadnienia związane z wykorzystaniem potoków do generowania prognoz i wyborem potoków mistrzowskich w projekcie. Uczy on również, jak włączyć praktyki prognozowania na dużą skalę do projektu prognozowania. Obejmują one tworzenie hierarchii danych, uzgadnianie prognoz, nadpisywanie i najlepsze praktyki związane z wyborem modelu prognozy.

2 średnio zaawansowany Classroom Live Web Classroom e-Learning
Prognozowanie na dużą skalę przy użyciu SAS Viya: podejście programistyczne
Ten kurs uczy studentów rozwijać i utrzymywać projekt prognozowania na dużą skalę przy użyciu narzędzi SAS Visual Forecasting. W ramach projektu studenci budują, a następnie udoskonalają system prognozowania na dużą skalę. Nacisk kładziony jest na wybór odpowiednich metod tworzenia danych i transformacji zmiennych, generowania modeli i ich wyboru. Następnie studenci są proszeni o poprawienie ogólnej wydajności prognozowania poprzez modyfikację domyślnych procesów w systemie.

3 zaawansowany Classroom Live Web Classroom e-Learning
Wydobywanie i tworzenie cech szeregów czasowych
W tym kursie dowiesz się o eksploracji danych, tworzeniu cech i wyborze cech dla sekwencji czasowych. Omówione zostaną takie zagadnienia jak: binowanie, wygładzanie, transformacje i operacje na zbiorach danych dla szeregów czasowych, analiza spektralna, analiza widm pojedynczych, miary odległości i analiza motywów.

3 zaawansowany Classroom Live Web Classroom e-Learning
Modele dla szeregów czasowych i danych sekwencyjnych
Kurs uczy uczestników budować, udoskonalać, ekstrapolować, a w niektórych przypadkach interpretować modele zaprojektowane dla pojedynczej, sekwencyjnej serii. Przedstawione są trzy podejścia do modelowania. Tradycyjne podejście Boxa-Jenkinsa do modelowania szeregów czasowych jest omawiane w pierwszej części kursu. Prezentacja przechodzi od modeli dla danych stacjonarnych (lub ARMA) do modeli dla trendu i sezonowości (ARIMA) i kończy się informacją o określeniu składników funkcji transferu w modelu ARIMAX, lub regresji szeregów czasowych. Następnie rozważane jest bayesowskie podejście do modelowania szeregów czasowych. Podstawowe ramy Bayesa są rozszerzone, aby uwzględnić autoregresyjną zmienność w danych, jak również dynamiczne efekty zmiennych wejściowych. Algorytmy uczenia maszynowego dla szeregów czasowych to trzecie podejście. Algorytmy Gradient boosting i rekurencyjne sieci neuronowe są szczególnie dobrze przystosowane do uwzględnienia nieliniowych zależności w danych. Przykłady są dostarczane w celu zbudowania intuicji na temat efektywnego wykorzystania tych algorytmów. Kurs kończy się rozważeniem, jak można poprawić precyzję prognozowania poprzez połączenie mocnych stron różnych podejść. Ostatnia lekcja zawiera demonstracje tworzenia łączonych (lub zespolonych) i hybrydowych prognoz modelowych.

3 zaawansowany Classroom Live Web Classroom e-Learning