课程目标：
通过本课程的学习，达到如下目的：
    掌握数据建模的标准流程。
    掌握时序预测建模的基本思想，理解因素分解的思路。
    掌握常用的趋势拟合模型。
    掌握常用的季节预测模型，能够进行季节周期性的时序建模。
    深刻理念平稳序列的概念，以及平稳性检验。
    掌握平稳序列的模型识别，以及模型定阶。
    掌握时序预测模型的评估，以及优化。
    掌握高级时序模型的训练与建模。

授课时间：
2天时间（要根据学员的实际情况调整重点内容及时间）

授课对象：
业务支撑部、运营分析部、数据分析部、IT系统部、大数据系统开发部等相关技术人员。

学员要求：
 每个学员自备一台便携机(必须)。
 便携机中事先安装好Python 3.9版本及以上。
 安装好Numpy,Pandas,statsmodels,sklearn,scipy,keras等扩展库。
注：讲师现场提供分析的代码和数据源。

授课方式：
建模流程+ 案例演练 + 开发实践 + 可视化呈现
采用互动式教学，围绕业务问题，展开数据分析过程，全过程演练操作，让学员在分析、分享、讲授、总结、自我实践过程中获得能力提升。

课程大纲：
第一部分：预测建模基础
1.数据建模六步法
    选择模型：基于业务选择恰当的数据模型
    属性筛选：选择对目标变量有显著影响的属性来建模
    训练模型：采用合适的算法，寻找到最合适的模型参数
    评估模型：进行评估模型的质量，判断模型是否可用
    优化模型：如果评估结果不理想，则需要对模型进行优化
    应用模型：如果评估结果满足要求，则可应用模型于业务场景
2.数据挖掘常用的模型
    数值预测模型：回归预测、时序预测等
    分类预测模型：逻辑回归、决策树、神经网络、支持向量机等
    市场细分：聚类、RFM、PCA等
    产品推荐：关联分析、协同过滤等
    产品优化：回归、随机效用等
    产品定价：定价策略/最优定价等
3.属性筛选/特征选择/变量降维
    基于变量本身特征
    基于相关性判断
    因子合并（PCA等）
    IV值筛选（评分卡使用）
    基于信息增益判断（决策树使用）
4.训练模型及实现算法
    模型原理
    算法实现
5.评估模型
    评估指标
    评估方法
    残差评估
6.模型优化
    优化模型：选择新模型/修改模型
    优化数据：新增显著自变量
    优化公式：采用新的计算公式
7.模型应用
    模型解读
    模型保存/加载
    模型应用/预测
8.好模型是优化出来的

第二部分：时序模型评估
1.评估指标
    判定系数：R^2和(R ) ̅^2
    平均误差：MAE
    根均方差：RMSE
    平均误差率：MAPE
2.信息准则指标
    赤池信息准则（Akaike Information Criterion，AIC）
    贝叶斯信息准则（Bayesian Information Criterion，BIC）
    HQIC（Hannan-Quinn Information Criterion，HQIC）
3.评估方法
    滚动交叉验证法（cross validation）
4.其它评估
    残差评估：白噪声评估

第三部分：趋势预测模型
问题：无法找到影响因素，无法回归建模，怎么办？随着业务受季节性因素影响，未来的销量如何预测？
1.时间序列简介
2.时序预测的原理及应用场景
3.常见时序预测模型
    趋势类预测模型
    季节类预测模型
    平稳时序预测模型
    其它高级模型
4.移动平均
    应用场景及原理
    理解滑动窗口
    移动平均种类
    一次移动平均
    二次移动平均
    加权移动平均
    移动平均比率法
    移动平均关键问题
    最佳期数N的选择原则
    最优权重系数的选取原则
演练：销售额预测模型及评估
演练：快销产品季节销量预测及评估
5.指数平滑
    应用场景及原理
    最优平滑系数的选取原则
    指数平滑种类
    一次指数平滑
    二次指数平滑（Brown线性）
    三次指数平滑
演练：煤炭产量预测
6.Holt趋势模型（亦称二次指数平滑）
    Holt线性模型
    Holt指数模型
    阻尼线性趋势
    阻尼指数趋势
    
第四部分：季节预测模型
1.因素分解思想
2.时间序列的四个构成要素
    长期趋势Trend
    季节变动Seasonality
    循环变动Circle
    不规则变动Irregular
案例：时间序列的季节分解
3.Holt-Winters季节模型
    三个组成部分
    三个平滑因子
4.HW加法模型
    适用场景
    计算公式
    超参优化
    模型解读
5.HW乘法模型
6.HW指数模型
案例：航空飞行里程预测模型
案例：汽车销量预测模型
案例：沃尔玛收益预测模型
7.基于回归的季节模型
    相加模型
    相乘模型
    模型训练及优化
    模型解读

第五部分：平稳序列模型
1.平稳序列预测模型简介
2.序列平稳性概念
    恒定的均值
    恒定的标准差
    与位置无关的协方差
3.序列平稳性检验
    折线图法
    ACF/PACF图
    ADF检测法
4.特殊平稳序列：白噪声
案例：序列平稳性检验
案例：白噪声检验
5.平稳序列常用拟合模型
    AR(p)自回归模型
    MA(q)移动平均模型
    ARMA(p,q)自回归移动平均模型
6.模型识别
    ACF图
    PACF图
7.模型定阶
    图形定阶（ACF/PACF）
    最小信息准则定阶
8.非平稳序列处理
    平滑法
    变量变换
    差分运算：k步差分与d阶差分
9.ARIMA(p,d,q)建模流程
案例：上海证券交易所收盘价建模
10.SARIMA(p,d,q)(P,D,Q,S)模型
    图形确定阶数
    遍历确定阶数
11.时序模型总结

第六部分：模型质量评估篇
1.回归模型的评估指标
    三个基本概念:SSR/SST/SSE
    两个判定系数:R^2,调整R^2
    三个误差指标:MAE/MAPE/RMSE
    平均绝对误差MAE
    均方差MSE/RMSE
    平均误差率MAPE
2.模型的评估方法
    原始评估法
    留出法（Hold-Out）
    交叉验证法（k-fold cross validation）
    自助采样法（Bootstrapping）
3.时间序列的滚动交叉验证

第七部分：高级时序模型
1.Prophet模型介绍
    趋势拟合
    季节性预测
    节假日和特殊事件的影响
    离群值分析
案例：销售额时序预测模型
2.LSTM模型简介
    数据集构造
    形状构造
    滚动预测
3.实战：广告点击量时序建模
结束：课程总结与问题答疑。