Тренды и классификации

• 1. О чём этот курс и как он устроен
  2. Дополнительные материалы по статистическим пакетам
  3. Данные, на которые мы опираемся и ссылаемся

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.

• 1. 1.1. Понятие временных рядов
  2. 1.2. Тренд
  3. 1.3. Сезонность
  4. 1.4. STL-разложение
  5. 1.5. Поиск выбросов
  6. 1.6. Тренд, сезонность, STL. Практика в R

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.

• 1. 2.1. AR и MA
  2. 2.2. ARMA и ARIMA
  3. 2.3. Адаптивные модели. Экспоненциальное сглаживание
  4. 2.4. Адаптивные модели. Модели с трендом и сезонностью
  5. 2.5. Виды адаптивных моделей
  6. 2.6. Следящий контроль. Модель Тригга — Лича
  7. 2.7. Построение моделей временных рядов в R. Практика

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.

• 1. 3.1. Введение в факторный анализ
  2. 3.2. Построение факторной модели
  3. 3.3. Способы оценки качества факторной модели
  4. 3.4. Пример построения факторной модели
  5. 3.5. Факторы готовы: что дальше?
  6. 3.6. Факторный анализ в SPSS. Практика

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.

• 1. 4.1. Введение в классификацию
  2. 4.2. Линейный классификатор
  3. 4.3. Байесовский классификатор
  4. 4.4. Дерево решений
  5. 4.5. Бинарная логистическая регрессия: основная идея
  6. 4.6. Логистическая регрессия: применение и оценка качества
  7. 4.7. Методы классификации в R. Практика
  8. 4.8. Построение модели логистической регрессии в SPSS. Практика

• 1. Итоговый тест
  2. Практическое задание