In diesem Modul erhalten Sie einen Überblick über den Umfang dieses Kurses und lernen, wie Sie SAS Viya for Learners verwenden, um die Übungen des Kurses durchzuführen.

Dieses Modul gibt einen Überblick über grundlegende Ideen zu Zeitreihen. Sie lernen die grundlegenden Komponenten der systematischen Variation in Zeitreihendaten und einige einfache Modellspezifikationen kennen, wie z.B. die autoregressive Ordnung eins und den Random Walk. Außerdem lernen Sie etwas über Exponentielle Glättungsmodelle oder ESMs, die Auswahl eines besten ESMs und die Erstellung von Prognosen für Zeitreihen.

Dieses Modul besteht aus vier Teilen. Der erste Teil beschreibt traditionelle Modelle für stationäre Daten: Auto Regressive Moving Average oder ARMA-Modelle. Der zweite Teil beschreibt, wie der ARMA-Rahmen verallgemeinert wird, um Trendvariationen zu berücksichtigen. Dies beinhaltet die Integration und führt zu dem ARIMA-Modell. Im dritten Teil wird beschrieben, wie das ARIMA-Modell angepasst wird, um saisonale Schwankungen in den Daten zu berücksichtigen. Der vierte und letzte Teil des Moduls führt in die dynamische Regression oder das ARIMAX-Modell ein und beschreibt Konzepte im Zusammenhang mit der Identifizierung von Übertragungsfunktionskomponenten und der Spezifikation von ARIMAX-Modellen.

In diesem Modul kombinieren wir die Welten der Zeitreihen und der Bayes'schen Analyse. Wir beginnen mit einem kurzen Überblick über die Bayes'sche Analyse. Anschließend untersuchen wir, wie man autoregressive, saisonale und exogene Komponenten in eine Bayes'sche Zeitreihe einbezieht. Wir schließen mit einer Diskussion über das Bayes'sche Scoring und die posterioren prädiktiven Verteilungen.

In diesem Modul lernen Sie, wie Sie SAS-Werkzeuge für maschinelles Lernen verwenden, um einzelne Zeitreihen zu prognostizieren. Sie lernen, wie Sie die Zeitreihendaten für die Verwendung mit den maschinellen Lernwerkzeugen vorbereiten und wie Sie mit diesen Werkzeugen Prognosemodelle erstellen und bewerten können. Wir konzentrieren uns auf Gradient Boosting und rekurrente neuronale Netzwerkmodelle und diskutieren, wann es sinnvoll ist, diese Methoden einzusetzen.

Dieses Modul beschreibt, wie Prognosen, die außerhalb des Prognosesystems erstellt werden, in SAS Visual Forecasting integriert werden können. Wir werden externe Prognosen verwenden, um eine kombinierte oder Ensemble-Prognose zu erstellen, die das Potenzial hat, die Prognosegenauigkeit im Vergleich zu den einzelnen, externen Prognosen zu verbessern. Dieses Modul schließt mit einer Diskussion über hybride Prognosemodelle, die traditionelle und maschinelle Lernansätze für Prognosen kombinieren.