お問い合わせ

コース概要

時系列分析の基礎

  • 時系列データの概要説明
  • 時系列データの構成要素:トレンド・季節変動・ノイズ
  • Google Colab上で時系列分析環境を設定する方法

時系列データの探索的分析手法

  • 時系列データの可視化技法
  • 時系列データから構成要素を分解する方法
  • 季節変動やトレンドの検出方法

ARIMAモデルによる時系列予測

  • ARIMA(自己回帰積分移動平均)モデルの仕組みの理解
  • ARIMAモデル用パラメータの選定方法
  • Pythonを用いたARIMAモデルの実装手法

Prophetによる時系列予測入門

  • 時系列予測用ツールとしてのProphetの概要説明
  • Google Colab内でProphetモデルを実装する方法
  • 祝日や特別なイベントが予測結果に与える影響への対応法

高度な時系列予測技法

  • 欠損データを含む時系列データの処理方法
  • 多変量時系列データを用いた予測手法
  • 外部説明変数を活用した予測精度向上法

予測モデルの評価および最適化手法

  • 時系列予測の成果を測る指標の解説
  • ARIMAおよびProphetモデルを微調整する方法
  • クロスバリデーションやバックテストの実施法

時系列分析の実際的な応用例

  • 時系列予測に関する事例研究の紹介
  • 現実世界のデータセットを用いた演習内容
  • Pythonにおける時系列分析の今後の展開について

まとめおよび次のステップについて

要求

  • Pythonプログラミングに関する中級レベルの知識があること
  • 基礎的な統計学およびデータ分析手法に精通していることが望ましい

対象者

  • データアナリスト
  • データサイエンティスト
  • 時系列データを扱う業務に従事する専門家
 21 時間

参加者の人数


参加者1人あたりの価格

お客様の声 (3)

今後のコース

関連カテゴリー