内容丰富*含3种类型的时间序列模型：统计类,深度学习类,Facebook的工业级的Prophet.课程*含5个模型，9个课堂实践或演示，3个案例分析。
掌握典型的时间序列模型。学员可掌握时间序列的重要模型，了解技术趋势和方向，可使用时间序列模型，进行预测。
解决实际的业务问题。学员可深入掌握时间序列的各类方法,会选择合适的算法,设计模型,解决实际的业务问题。
提高企业和学员的影响力。通过课程的学习，学员可熟练掌握模型的不同的模型，使用数据对模型进行训练，提高学员和企业的知名度和影响力。
（一）授课对象
数据分析师，数据科学家
软件工程师，运维工程师，系统工程师
产品经理、管理人员，业务人员
（二）学员基础
了解基本统计知识，具备初步的IT基础知识和基本数学理论，可使用python编程
一、基于统计的时间序列模型
1、时间序列基础
时间序列模型概述
时间序列数据的处理
绘制时序图(时间序列图)
白噪声，随机游走
平稳序列与非平稳序列
差分
自相关与偏自相关函数
2、自回归模型
自回归过程
一阶自回归
二阶自回归
实践中如何识别AR模型
使用AR模型进行预测
3、滑动平均模型
MA模型的性质
识别MA的阶
估计
使用MA模型进行预测
4、ARMA模型
ARMA模型介绍
一般的ARMA模型
识别ARMA模型
使用ARMA模型进行预测
ARMA模型的三种表示
指数平滑
季节模型
5、使用ARMA模型预测电话呼入量
获取数据集
对数据集进行预处理
生成统计图表,进行数据探索
建立模型,预测电话呼入量
对模型进行评价
案例实践与练习
环境的安装与实践
软件*的安装和管理
时间序列数据的处理
绘制自相关图
绘制偏自相关图
训练ARIMA模型,进行时间序列预测
二、Facebook的Prophet时间序列模型
Prophet的安装
Prophet的介绍
趋势模型：分段线性或逻辑增长曲线
周期模型：傅里叶级数建模的季节成分
节假日与突发事件模型：虚拟变量
Prophet的总结
案例：使用Prophet预测系统交易量
案例实践与练习
使用Prophet预测系统交易量
三、基于深度学习的时间序列模型
1、循环神经网络RNN
RNN应用概述
LSTM模型详解
GRU模型详解
双向RNN与深度RNN
state-of-the-art(**水平的)的神经网络讲述：seq2seq with attention
案例实践与练习
训练LSTM模型,进行时间序列预测
训练seq-to-seq模型,进行时间序列预测
四、案例实践
1、股指期货预测-基于seq-to-seq LSTM模型
模型简介
数据的预处理
使用keras设计seq-to-seq的时序模型
绘制预测曲线
计算误差,并调优
2、乘客数量预测-基于Prophet模型
绘制时序图
数据的预处理
建立节假日数据
训练Prophet模型
绘制预测曲线
计算误差,并调优
3、系统负载的智能预测-基于ARIMA模型
ARIMA模型介绍
数据的预处理
预测系统的负载
绘制预测曲线
计算误差,并调优
