Тренды и классификации

Novosibirsk State University via Coursera

Go to class Write review

This course may be unavailable.

Details

This course may be unavailable.

Go to class

Provider

Coursera
Pricing

Free Online Course (Audit)
Languages

Russian
Certificate

Paid Certificate Available
Duration & workload

5 weeks
Sessions

Finished
Level

Intermediate
Subtitles

Russian

Found in

Part of

Анализ данных

Overview

Save Big on Coursera Plus. 7,000+ courses at $160 off. Limited Time Only!

Grab it

В этом курсе мы поговорим о трендах и классификаторах. Анализ трендов помогает ответить на вопросы вроде: растут ли продажи, увеличивается ли количество пользователей сервиса? Если есть рост, то случайность это или закономерность? Есть ли в данных сезонные колебания? Как выделить тренд и как объяснить его?
Также мы поговорим о факторном анализе, который позволяет найти скрытую переменную (или переменные), направляющие проявление множества видимых признаков. Как найти такие скрытые переменные и понять, что за ними стоит?
В заключительной части курса поговорим о классификаторах, применение которых решает задачи отнесения объектов к тому или иному классу с определенной вероятностью, а также позволяет прогнозировать попадание нового объекта в определенный класс. Как предсказать исход события, зная основные характеристики действующего лица? Закончит ли слушатель курс, отдаст ли заемщик кредит? Как оценить точность прогноза и минимизировать ошибки?
Мы разберемся с устройством обозначенных методов анализа данных и попрактикуемся в их применении.

Узнать об образовательных программах Новосибирского государственного университета: https://education.nsu.ru/bachelor/

Syllabus

Анализ временных рядов

В этом модуле мы начнем разговор о временных рядах.
Сначала разберемся с понятием временного ряда, затем поговорим об анализе временных рядов. Рассмотрим такие компоненты временного ряда, как тренд, сезонность и остатки.
После этого рассмотрим методы разложения временного ряда на составляющие и поймём, как и зачем выделять описанные компоненты во временных рядах. В заключении поговорим о том, как выявлять выбросы в данных, а также посмотрим на практике, как разложить временной ряд на трендовую составляющую, сезонную компоненту и остатки, используя R.

Прогноз временных рядов

В этом модуле мы продолжим разговор о временных рядах и научимся не только анализировать, но и прогнозировать их. Сначала рассмотрим авторегрессионную модель (AR) и сезонную авторегрессионную модель (SAR), которые подходят для решения задач прогнозирования, а также модели скользящего среднего (MA-модели), позволяющие сглаживать выбросы и описывать данные. Дальше поговорим о комбинации этих моделей (ARMA и ARIMA).
Во второй части модуля мы поговорим об адаптивных моделях, обсудим их основные виды, а также поговорим о следящем контроле как инструменте их мониторинга. В заключении модуля попрактикуемся: построим прогноз временного ряда в R.

Факторный анализ

В этом модуле поговорим о факторном анализе. Сначала поймем общий принцип: что это за модель, и для решения каких задач она применяется. Дальше разберем методы факторного анализа и научимся строить факторы одним из самых распространенных способов: методом главных компонент. В заключительных лекциях модуля мы поговорим о том, как оценить качество факторной модели, как можно использовать построенные переменные для дальнейшего анализа, а также пошагово разберем построение факторной модели в SPSS.

Классификация

В завершающем модуле курса мы поговорим о методах классификации. Для начала поставим задачу классификации: для чего применяются классификаторы, какие задачи из реальной жизни они помогают решать. Затем разберем некоторые методы классификации: линейный и Байесовский классификаторы, дерево решений, модель бинарной логистической регрессии и способы оценки её качества.
Вы научитесь прогнозировать класс, в который попадёт объект с заданной вероятностью (к примеру, отдаст ли заёмщик кредит, или закончит ли студент курс), а также познакомитесь с тем, как применять методы классификации в R и SPSS на реальных данных.