Zaman Serisi Analizi Eğitimi | Digital Vizyon Akademi

Eğitim Hakkında

Bu eğitim, talep, satış, enerji tüketimi ve sensör verisi gibi zamana bağlı verilerle çalışan ekiplerin analiz ve tahmin yetkinliğini uçtan uca geliştirmek için tasarlanmış uygulamalı bir programdır. Katılımcılar Python ile zaman serisi keşfi, ARIMA ve üstel düzeltme, makine öğrenmesi ve derin öğrenme tabanlı tahmin, geriye dönük test ve binlerce seride ölçekli tahmin hatları kurmayı öğrenir.

Neden Bu Eğitim?

Klasikten Moderne. ARIMA ve ETS'den LightGBM, N-BEATS ve zaman serisi temel modellerine uzanan bütüncül bir yöntem seti.

Dürüst Doğrulama. Geleceği sızdırmayan kayan pencere testleri ve MASE gibi ölçeksiz metriklerle modelleri adil karşılaştırın.

Ölçekte Tahmin. Tek bir seri yerine binlerce ürün ve lokasyon için çalışan, izlenebilir tahmin hatları tasarlayın.

“Geleceği kesin bilmek mümkün değildir; ancak belirsizliği doğru ölçen bir tahmin sistemi, her planlama kararını daha sağlam kılar.”

Ön Koşullar

Python ve pandas — pandas ile tarih sütunları, gruplama ve birleştirme işlemlerini yapabilmek.
İstatistik Temeli — Regresyon, korelasyon, varyans ve hipotez testi kavramlarına aşinalık.
Makine Öğrenmesi — scikit-learn ile basit bir regresyon modeli kurmuş olmak avantaj sağlar.
Çalışma Ortamı — Python 3 ve Jupyter kurulu, paket yükleme yetkisi olan bilgisayar veya bulut ortamı.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiZaman serisi verisini doğru hazırlamak, trend, mevsimsellik ve durağanlık gibi yapısal özellikleri analiz etmek ve güvenilir referans tahminler oluşturmak.

Modül 1

Zaman Serisi Verisinin Hazırlanması

Zaman serisi problemlerinin sektörel örnekleri
Düzenli ve düzensiz frekanslar, zaman damgası yönetimi
resample() ile frekans değiştirme ve toplulaştırma
Eksik zaman noktaları ve interpolasyon yöntemleri
Tatil, kampanya ve takvim etkilerinin kodlanması
Laboratuvar: Mağaza satış verisinin hazırlanması

Modül 2

Bileşenler ve Mevsimsel Ayrıştırma

Trend, mevsimsellik, döngü ve düzensiz bileşen
Toplamsal ve çarpımsal ayrıştırma modelleri
STL ile dayanıklı mevsimsel ayrıştırma
Çoklu mevsimsellik: saatlik, haftalık, yıllık desen
Hareketli ortalamalar ve yumuşatma teknikleri
Uygulama: Elektrik tüketimi serisinin ayrıştırılması

Modül 3

Durağanlık ve Otokorelasyon

Durağanlık kavramı ve modellemedeki önemi
ADF ve KPSS testleri ile durağanlık sınaması
Fark alma, log ve Box-Cox dönüşümleri
ACF ve PACF grafiklerinin yorumlanması
Beyaz gürültü kavramı ve Ljung-Box testi
Laboratuvar: statsmodels ile seri teşhisi

Modül 4

Referans Modeller ve Tahmin Değerlendirmesi

Naive, mevsimsel naive ve ortalama tahminleri
MAE, RMSE, MAPE ve MASE metrik karşılaştırması
Zamana dayalı eğitim-test ayrımı ve veri sızıntısı
Kayan pencere ile geriye dönük test (backtesting)
Uygulama: Referans modellerle ilk tahmin tablosu
Günün değerlendirmesi ve klasik modeller gününe köprü

Günün hedefiÜstel düzeltme ve ARIMA modellerini kurmak, dışsal değişkenleri tahmine dahil etmek, belirsizliği tahmin aralıklarıyla ifade etmek ve modelleri sistematik karşılaştırmak.

Modül 1

Üstel Düzeltme (ETS) Modelleri

Basit üstel düzeltme ve düzeltme parametresi
Holt doğrusal trend ve sönümlü trend yaklaşımı
Holt-Winters ile mevsimsel üstel düzeltme
ETS durum uzayı çerçevesi ve otomatik seçim
AIC ve BIC ile model karşılaştırması
Laboratuvar: Aylık talep serisinde ETS modelleri

Modül 2

ARIMA, SARIMA ve Dışsal Değişkenler

AR, MA ve ARIMA bileşenlerinin sezgisel mantığı
SARIMA ile mevsimsel yapıların modellenmesi
Otomatik parametre seçimi ve AutoARIMA
SARIMAX ile fiyat, kampanya ve hava durumu etkisi
Artık teşhisi ve model varsayımlarının kontrolü
Laboratuvar: Kampanya etkili satış tahmini

Modül 3

Prophet, StatsForecast ve Hızlı Modelleme

Prophet ile trend kırılımı ve tatil etkileri
StatsForecast ile binlerce seride hızlı AutoETS
Aralıklı talep için Croston ve türevleri
Tahmin aralıkları ve olasılıksal tahmin
Model birleştirme (ensemble) ile kararlılık
Uygulama: Ürün grubu bazında çoklu model karşılaştırma

Modül 4

Anomali Tespiti ve Değişim Noktaları

Artıklar üzerinden zaman serisi anomali tespiti
Mevsimsel eşiklerle dinamik alarm kuralları
Değişim noktası tespiti ve ruptures kütüphanesi
Yapısal kırılımların tahmin modeline etkisi
Vaka: Sensör verisinde ekipman arızası sinyalleri
Günün özeti ve makine öğrenmesi gününe köprü

Günün hedefiÖzellik tabanlı ve derin öğrenme tahmin modellerini uygulamak, hiyerarşik tutarlılığı sağlamak, temel modelleri değerlendirmek ve ölçekli tahmin hattını proje olarak kurmak.

Modül 1

Makine Öğrenmesi ile Tahmin

Gecikme, kayan istatistik ve takvim özellikleri
Tek adımlı, özyinelemeli ve doğrudan çok adımlı tahmin
Global modeller: tüm serilerde tek LightGBM
mlforecast ve skforecast kütüphaneleriyle iş akışı
Zaman serisi çapraz doğrulamasıyla hiperparametre ayarı
Laboratuvar: Ürün-mağaza bazlı LightGBM tahmini

Modül 2

Derin Öğrenme ve Zaman Serisi Temel Modelleri

LSTM ve sıralı modellerin güçlü ve zayıf yanları
N-BEATS, N-HiTS ve Temporal Fusion Transformer
NeuralForecast ve Darts ile derin model eğitimi
Hazır temel modeller: Chronos, TimesFM ve TimeGPT
Sıfır örnekli (zero-shot) tahmin ve ince ayar
Demo: Temel model ile istatistiksel modelin kıyası

Modül 3

Hiyerarşik Tahmin ve Üretim Mimarisi

Ürün, kategori, bölge hiyerarşisinde tutarlılık
Bottom-up, top-down ve MinTrace uzlaştırma
Apache Spark ile paralel çoklu seri tahmini
MLflow ile deney takibi ve model sürümleme
Tahmin doğruluğu ve veri kayması izleme
Tahminlerin planlama sistemlerine entegrasyonu

Modül 4

Ölçekli Tahmin Projesi ve Kapanış

Proje: Keşiften geriye dönük teste tahmin hattı
Model seçim raporu ve iş birimine sunum
Takım sunumları ve kod incelemesi geri bildirimi
Kurumsal tahminleme olgunluk yol haritası
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve ileri öğrenme kaynakları

Eğitim Kazanımları

Seri Teşhisi — Trend, mevsimsellik, durağanlık ve otokorelasyon yapısını STL, ACF ve istatistiksel testlerle teşhis edebileceksiniz.
Klasik Modeller — ETS, ARIMA ve SARIMAX modellerini kurup dışsal değişkenleri ve tatil etkilerini tahmine dahil edebileceksiniz.
Geriye Dönük Test — Kayan pencere testleri ve MASE gibi ölçeksiz metriklerle tahmin modellerini adil biçimde karşılaştırabileceksiniz.
ML ile Tahmin — Gecikme ve takvim özellikleriyle çok sayıda seriyi tek bir global LightGBM modeliyle tahmin edebileceksiniz.
Derin Modeller — N-BEATS ve TFT gibi derin modelleri ve Chronos gibi temel modelleri gerekçeli biçimde değerlendirebileceksiniz.
Belirsizlik Yönetimi — Nokta tahminin ötesinde tahmin aralıkları üreterek planlama kararlarına risk bilgisini ekleyebileceksiniz.
Hiyerarşik Tahmin — Ürün, kategori ve bölge seviyelerinde birbiriyle tutarlı tahminler için uzlaştırma yöntemleri uygulayabileceksiniz.
Ölçekli Hat — Spark ve MLflow ile binlerce seriyi düzenli tahmin eden, izlenebilir bir tahminleme hattı tasarlayacaksınız.

Kimler İçin Uygundur?

Veri bilimciler
talep planlama ve tahminleme analistleri
veri mühendisleri
enerji
perakende
lojistik ve finans sektörlerinin analitik ekipleri.

Sıkça Sorulan Sorular

Zaman Serisi Analizi Eğitimi kimler için uygundur?

Program; veri bilimciler, talep planlama ve tahminleme analistleri, veri mühendisleri ile enerji, perakende, lojistik, telekom ve finans sektörlerinde zamana bağlı veriyle çalışan analitik ekipler için tasarlanmıştır.

Eğitim ne kadar sürer ve nasıl yapılandırılmıştır?

Eğitim 3 tam gün ve 12 modülden oluşur. Birinci gün seri keşfi ve temel kavramlar, ikinci gün istatistiksel modeller, üçüncü gün makine öğrenmesi, derin öğrenme ve ölçekli tahmin projesi işlenir.

Katılım için hangi ön bilgiler gerekiyor?

Python ve pandas ile veri işleme deneyimi ile regresyon ve korelasyon gibi temel istatistik kavramları beklenir. scikit-learn ile model kurmuş olmak üçüncü günü daha verimli hale getirir.

Eğitimde hangi kütüphaneler kullanılıyor?

pandas, statsmodels, Prophet, StatsForecast, mlforecast, skforecast, LightGBM, NeuralForecast, Darts ve ruptures kullanılır. Ölçekli tahmin için Apache Spark ve MLflow, temel modeller için Chronos ve TimesFM örnekleri gösterilir.

Laboratuvarlar kurumumuzun verisine uyarlanabilir mi?

Evet. Kapalı kurum gruplarında laboratuvarlar kurumun talep, tüketim veya operasyon verisine benzer anonim serilerle kurgulanabilir. Programı tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

ZAMAN SERİSİ ANALİZİ EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Zaman Serisi Verisinin Hazırlanması

Bileşenler ve Mevsimsel Ayrıştırma

Durağanlık ve Otokorelasyon

Referans Modeller ve Tahmin Değerlendirmesi

Üstel Düzeltme (ETS) Modelleri

ARIMA, SARIMA ve Dışsal Değişkenler

Prophet, StatsForecast ve Hızlı Modelleme

Anomali Tespiti ve Değişim Noktaları

Makine Öğrenmesi ile Tahmin

Derin Öğrenme ve Zaman Serisi Temel Modelleri

Hiyerarşik Tahmin ve Üretim Mimarisi

Ölçekli Tahmin Projesi ve Kapanış

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Benzer Programlar

Yapay Zeka Güvenliğine Giriş Eğitimi

Yapay Zeka Kurumsal Strateji Yönetimi Eğitimi

Yapay Zeka Küresel Yönetişim Çerçeveleri Eğitimi