داده های سری زمانی داده هایی هستند که در طول زمان جمع آوری می شوند: معیارهای عملکرد، تعاملات کاربر و اطلاعات جمع آوری شده توسط حسگرها. از آنجایی که داده‌های سری زمانی مختلف اندازه‌گیری‌ها و فواصل متفاوتی دارند، این داده‌ها چالشی منحصر به فرد برای دانشمندان داده است. با این حال، SQL دارای برخی از ویژگی های طراحی شده برای کمک است. این دوره به شما می آموزد که چگونه داده های سری زمانی را با آنها استاندارد و مدل کنید. مربی دن سالیوان در مورد پنجره بندی و تفاوت بین محاسبات پنجره کشویی و غلتشی بحث می کند. سپس بیاموزید که چگونه ساختارهای SQL مانند OVER و PARTITION BY به ساده‌سازی تحلیل کمک می‌کنند و چگونه می‌توان از غیرعادی‌سازی برای افزایش داده‌ها و در عین حال اجتناب از اتصال استفاده کرد. به علاوه، تکنیک های بهینه سازی مانند نمایه سازی را کشف کنید. Dan همچنین تکنیک های تحلیل سری های زمانی مانند مقایسه دوره های زمانی قبلی، میانگین متحرک، هموارسازی نمایی و رگرسیون خطی را معرفی می کند.

 

یکی از نکات برجسته این دوره این است که هیچ برنامه نویسی لازم نیست. اکنون می توانید با استفاده از زبان انسانی با استفاده از زبان انسانی برای تجزیه و تحلیل ، پیش بینی و تجسم داده های سری زمانی ارتباط برقرار کنید. با موارد ضروری آنچه را می توان پیش بینی کرد و در اعماق اجزای داده های سری زمانی مانند روندها ، فصلی بودن ، چرخه ها و سر و صدا شروع کنید ، شروع کنید. بیاموزید که داده ها را با استفاده از روشهای افزودنی ، ضرب و STL تجزیه کنید. پیشرفت به مدل سازی پیش بینی با ARIMA و مدل های هموار سازی نمایی ، تسلط بر تنظیم HyperParameter و انتخاب مدل. در پایان این دوره ، شما مجهز به پیش بینی فردا و آماده شدن برای آینده با اعتماد به نفس خواهید بود.