数据处理 | 基于机器学习的气象时序分析

01

课程内容

第一课：股价预测、零售预测背景介绍及时间序列预测概览

• 时间序列和时间序列预测的概念

• 时间序列预测的通用流程

• 构建时间序列预测模型的通用框架

• 时间序列预测方法分类

第二课：股价预测、零售预测数据探索及时间序列分析

• 时间序列可视化

• 自相关性、互相关性简介

• 周期性、趋势性简介

• 时间序列常用分析方法

• 股价时序数据和零售时序数据分析

第三课：股价时间序列预测及经典时间序列预测算法

• 指数平滑算法 （exponential smoothing）

• ARIMA算法

• Prophet算法

• 股价时序预测实践

第一次导师互动：交流答疑

第四课：零售时序预测及基于机器学习的时间序列预测算法

• 如何构建训练集和测试集样本

• 常见时序数据特征工程介绍

• 特征的选择和降维

• 特征工程的可视化技巧

• 零售时序预测实践

第五课：深度学习用于时序预测导论（进阶课程）

• 神经网络算法简介

• 基于RNN的时序预测算法

• 基于CNN的时序预测算法

• 利用深度学习预测股价和零售

第六课：时间序列预测实用窍门 （进阶课程）

• 如何预测多层级时间序列

• 在不同的时间颗粒度上怎么预测（分钟别、小时别、天别、周别、月别）

• 正整数型序列如何预测

• 特别长和特别短的序列如何预测

• 异常值和缺失值如何处理

第二次导师互动：交流答疑