Mezunlarımızın Çalıştığı Şirketler
Eğitim programlarımız lider şirketlerle kurduğumuz ortaklıklar ile güçlendirilmiş ve inovatif ekipler tarafından kullanılmaktadır.
Program hakkında ayrıntılı bilgi edinin
Kurs 7 Saat
Zaman Serileri
Zaman içerisinde sıralanmış bir dizi gözlem noktasından oluşan zaman serilerinde amaç; geçmişten gelen gözlemlerin mevsimsellik, trend ve durağanlık özelliklerini kullanarak gelecek için bir tahminde bulunmaktır. Finans, hava durumu tahminleri, satış tahminleri gibi alanlarda sıkça kullanılmaktadır.
Bu eğitimde işletmelerin ya da şahısların stratejik kararlar alırken önemli ölçüde kullandığı bu yöntem ile ilgili gerekli altyapının uygulamalar üzerinden aktarılması hedeflenmektedir.
Veri setindeki gözlemlerin davranışlarını inceleyerek; exponential smoothing yöntemleri ile verinin yapısı hakkında bilgi edinecek ve veriyi trend, mevsimsellik ve durağanlık penceresinden yorumlamanın temellerini atmış olacaksınız.
- Time Series Forecasting
- Zaman Serisine Giriş ve Temel Kavramlar
- Durağanlık ( Stationary )
- Trend
- Mevsimsellik ( Seasonality )
- Döngü ( Cycle )
- Zaman Serisi Modellerinin Doğasını Anlamak
- Hareketli Ortalama ( Moving Average )
- Ağırlıklı Ortalama ( Weighted Average )
SES, DES ve TES methodlarını kullanarak istatistiksel ve ekonometri açıdan anlamlı tahminler yapabileceksiniz.
- Smoothing Yöntemleri
- SES ( Single Exponential Smoothing )
- Veri Setinin İncelenmesi
- Zaman Serisi Yapısal Analizi
- SES Model
- SES Hiperparametre Optimizasyonu
- DES ( Double Exponential Smoothing )
- DES Model
- DES Hiperparametre Optimizasyonu
- Triple Exponential Smoothing a.k.a. Holt-Winters
- TES Model ( Triple Exponential Smoothing )
- TES Hiperparametre Optimizasyonu
AR, MA, ARMA, ARIMA ve SARIMA methodlarını kullanarak istatistiksel ve ekonometri açıdan anlamlı tahminler yapabileceksiniz.
- Statistical Methods
- ARIMA (p,d,q)
- ARIMA Model
- Hiperparametre Optimizasyonu
- SARIMA (p,d,q) (P,D,Q) m
- SARIMA Model
- Hiperparametre Optimizasyonu
- MAE'ye Göre SARIMA Optimizasyonu
- Final Model
- Havayolu Yolcu Tahmini ( Airline Passenger Forecasting )
Makine öğrenmesi modellerini kullanarak modelin veriden öğrenmiş olduğu pattern'e göre forecasting yapmayı öğrenme imkanı bulacaksınız.
- Problem ve Veri Seti
- Keşifçi Veri Analizi
- Değişken Mühendisliği
- Gecikme/Değiştirilmiş Özellikler ( Lag/Shifted Features )
- Hareketli Ortalama Özellikleri ( Rolling Mean Features )
- Üstel Ağırlıklı Ortalama Özellikleri
- One Hot Encoding
- Bağımlı Değişkenin Logaritması
- Custom Cost Function
- Zamana Dayalı Doğrulama Kümeleri
- LightGBM ile Zaman Serisi Modeli
- Değişken Önem Düzeyleri
- Final Model
SES, DES ve TES methodlarını kullanarak istatistiksel ve ekonometri açıdan anlamlı tahminler yapabileceksiniz.
- Smoothing Yöntemleri
- SES ( Single Exponential Smoothing )
- Veri Setinin İncelenmesi
- Zaman Serisi Yapısal Analizi
- SES Model
- SES Hiperparametre Optimizasyonu
- DES ( Double Exponential Smoothing )
- DES Model
- DES Hiperparametre Optimizasyonu
- Triple Exponential Smoothing a.k.a. Holt-Winters
- TES Model ( Triple Exponential Smoothing )
- TES Hiperparametre Optimizasyonu
Makine öğrenmesi modellerini kullanarak modelin veriden öğrenmiş olduğu pattern'e göre forecasting yapmayı öğrenme imkanı bulacaksınız.
- Problem ve Veri Seti
- Keşifçi Veri Analizi
- Değişken Mühendisliği
- Gecikme/Değiştirilmiş Özellikler ( Lag/Shifted Features )
- Hareketli Ortalama Özellikleri ( Rolling Mean Features )
- Üstel Ağırlıklı Ortalama Özellikleri
- One Hot Encoding
- Bağımlı Değişkenin Logaritması
- Custom Cost Function
- Zamana Dayalı Doğrulama Kümeleri
- LightGBM ile Zaman Serisi Modeli
- Değişken Önem Düzeyleri
- Final Model
Yetkinlik Edin
Zaman Serileri Öğren
Bugün Öğrenmeye Başla
1 yıl boyunca sınırsız erişim
$ 75 .00 /tek seferlik
- Tüm materyallere 1 yıl erişim
- Ders videoları & materyalleri
- Puanlanan quiz’ler
- Sertifika
Çeşitli ölçeklerdeki kurumlar ekipleri için Miuul'u kullanıyor.
Çalışanlarınıza özel teklif almak için Bize yazın