Time Series Analysis

Kód kurzu: MLTSA

Kurz je zaměřen na predikci časových řad. V první části se účastníci seznámí se standardními postupy při modelování a predikci časových řad a vyzkouší si jednoduché postupy na ukázkových příkladech. V další části budou vysvětleny metody strojového učení aplikovatelné při predikci časových řad. Účastníci si vyzkouší sestavit a natrénovat model schopný predikovat složitější časovou řadu z historických dat a ověří schopnost modelu predikovat budoucnost.

3 990 Kč

4 828 Kč s DPH

Nejbližší termín od 28.03.2023

Výběr termínů

Odborní
certifikovaní lektoři

Mezinárodně
uznávané certifikace

Široká nabídka technických
a soft skills kurzů

Skvělý zákaznický
servis

Přizpůsobení kurzů
přesně na míru

Termíny kurzu

Počáteční datum: 28.03.2023

Forma: Prezenční/Virtuální

Délka kurzu: 1 den

Jazyk: en/cz

Cena bez DPH: 3 990 Kč

Registrovat

Počáteční datum: Individuální

Forma: Prezenční/Virtuální

Délka kurzu: 1 den

Jazyk: en/cz

Cena bez DPH: 3 990 Kč

Registrovat

Počáteční
datum
Místo
konání
Forma Délka
kurzu
Jazyk Cena bez DPH
28.03.2023 Prezenční/Virtuální 1 den en/cz 3 990 Kč Registrovat
Individuální Prezenční/Virtuální 1 den en/cz 3 990 Kč Registrovat
G Garantovaný kurz

Nenašli jste vhodný termín?

Napište nám o vypsání alternativního termínu na míru.

Kontakt

Struktura kurzu

  • Úvod do teorie časových řad
  • Vybrané postupy modelovaní časových řad (časová a frekvenční doména, spektrální analýza, autokorelace, modely časových řad (ARIMA apod.)
  • Praktický příklad (pandas, základní charakteristiky, jednoduchá predikce)
  • Metody strojového učení pro časové řady (state space metody, hidden markov model, kalman filter, dopředné neuronové sítě, rekurentní neuronové sítě, LSTM)
  • Praktické příklady ilustrující sílu strojového učení (příprava trénovací množiny dle typu úlohy a zvoleného modelu, trénovaní a evaluace)
  • Komplexní scénář predikce časové řady pomocí rekurentní sítě (predikce teploty z vícerozměných vstupních dat: sběr a příprava trénovací množiny, trénování a validace modelu, predikování pomocí naučené sítě)

Předpokládané znalosti

  • Základní znalost programování v Pythonu
  • Středoškolské znalosti lineární algebry, matematické analýzy a teorie pravděpodobnosti. Bude předpokládáno základní porozumění pojmům jako vektor, matice, vektorový prostor, pravděpodobnost, podmíněná pravděpodobnost, nezávislost náhodných jevů a znalost násobení matic a derivace funkcí.
  • Znalosti strojového učení na úrovni kurzu Úvod do strojového učení.

Potřebujete poradit nebo upravit kurz na míru?

onas

produktová podpora

Navazující kurzy

Machine Learning BootCamp en/cz

Dodavatel: EDU Trainings

Oblast: Strojové učení

Cena od:

17 990 Kč bez DPH

Introduction to machine learning en/cz

Dodavatel: EDU Trainings

Oblast: Strojové učení

Cena od:

7 990 Kč bez DPH

Convolutional neural networks and image processing en/cz

Dodavatel: EDU Trainings

Oblast: Strojové učení

Cena od:

3 990 Kč bez DPH

Natural Language Processing en/cz

Dodavatel: EDU Trainings

Oblast: Strojové učení

Cena od:

3 990 Kč bez DPH

Machine Learning with R en/cz

Dodavatel: EDU Trainings

Oblast: Strojové učení

Cena od:

12 300 Kč bez DPH

Data Manipulation and Visualization with R en/cz

Dodavatel: EDU Trainings

Oblast: Strojové učení

Cena od:

12 300 Kč bez DPH

Data modelling in Power BI en/cz

Dodavatel: EDU Trainings

Oblast: Strojové učení

Cena od:

9 840 Kč bez DPH

Interpretable machine learning (R/Python) en/cz

Dodavatel: EDU Trainings

Oblast: Strojové učení

Cena od:

9 840 Kč bez DPH

Platební brána ComGate Logo MasterCard Logo Visa