本课程是供应链基础机器学习专业的第二门课程。在本课程中，我们将探索时间序列的各个方面，尤其是在需求预测方面。首先，我们将了解时间序列的基本概念，包括静态性、趋势（漂移）、周期性和季节性。然后，我们将花一些时间分析与时间序列相关的相关方法（自相关）。在课程的后半部分，我们将重点讨论利用时间序列进行需求预测的方法，如自回归模型。最后，我们将以一个项目作为结束，即使用 Python 中的 ARIMA 模型预测需求。
利用时间序列进行需求预测
您将学到什么
用 Python 构建 ARIMA 模型预测需求
通过了解自相关和自回归模型，为更高级的神经网络（如 LSTM）开发框架。
您将获得的技能
要了解的详细信息
可分享的证书
添加到您的领英档案
作业
5 项作业
授课语言：英语（English）
了解顶级公司的员工如何掌握热门技能
积累特定领域的专业知识
本课程是 供应链机器学习 专项课程 专项课程的一部分
在注册此课程时，您还会同时注册此专项课程。
- 向行业专家学习新概念
- 获得对主题或工具的基础理解
- 通过实践项目培养工作相关技能
- 获得可共享的职业证书
该课程共有4个模块
在本模块中，我们将用 Python 学习时间序列。首先，我们将熟悉时间序列在机器学习中的地位。然后，我们将了解时间序列的主要类型及其区别因素，包括周期、频率和静态性。在暂停学习如何用 Python 绘制时间序列之后，我们将探讨季节性和周期性之间的区别。
涵盖的内容
7个视频3篇阅读材料2个作业1个讨论话题
在本模块中，我们将深入探讨自相关性和独立性背后的思想。首先，我们将深入研究相关性的数学原理，以及如何利用相关性来描述两个变量之间的关系。接下来，我们将定义自相关性与独立性的关系，并解释这些概念的用途。最后，我们将把相关性与时间序列属性（如趋势、季节性和静止性）结合起来，得出自相关性。我们将介绍自相关背后的一些理论，以及如何用 Python 进行编码。
涵盖的内容
8个视频2篇阅读材料2个作业1个讨论话题
在本模块中，我们将首先回顾线性回归背后的一些基本概念。然后，我们将扩展这些知识，为滞后回归提供信息，这是一种在时间序列上使用回归技术的有效方法。一旦我们在基本回归和滞后回归方面有了坚实的基础，我们将探索 ARIMA（自回归整合移动平均）等现代方法。所有这些都是为更高级的机器学习模型（如 LSTMs（长短期记忆网络））构建框架。
涵盖的内容
4个视频1篇阅读材料1个作业1个编程作业1个讨论话题1个非评分实验室
在最后的课程项目中，我们将使用 ARIMA 模型进行需求预测。
涵盖的内容
1个编程作业1个非评分实验室
获得职业证书
将此证书添加到您的 LinkedIn 个人资料、简历或履历中。在社交媒体和绩效考核中分享。
位教师
授课教师评分
(15个评价)
提供方
人们为什么选择 Coursera 来帮助自己实现职业发展
Felipe M.
自 2018开始学习的学生
''能够按照自己的速度和节奏学习课程是一次很棒的经历。只要符合自己的时间表和心情，我就可以学习。'
Jennifer J.
自 2020开始学习的学生
''我直接将从课程中学到的概念和技能应用到一个令人兴奋的新工作项目中。'
Larry W.
自 2021开始学习的学生
''如果我的大学不提供我需要的主题课程，Coursera 便是最好的去处之一。'
Chaitanya A.
''学习不仅仅是在工作中做的更好：它远不止于此。Coursera 让我无限制地学习。'
