Phân Tích Chuỗi Thời Gian với AI
Mục tiêu - Sứ mệnh
  • Phân Tích Chuỗi Thời Gian với AI

    Khóa học cung cấp góc nhìn toàn diện về phân tích và dự báo chuỗi thời gian, kết hợp cả phương pháp thống kê truyền thống và các kỹ thuật Deep Learning hiện đại. Học viên sẽ được học cách xử lý dữ liệu chuỗi thời gian, áp dụng các mô hình thống kê và Deep Learning, và giải quyết các bài toán thực tế liên quan đến chuỗi thời gian.

     

    Nội dung được thiết kế để xây dựng trên nền tảng kiến thức từ khóa học Deep Learning trước đó, đồng thời cung cấp kiến thức chuyên sâu về Chuỗi thời gian.

    Sau khi hoàn thành khóa học, bạn có thể:

    1. Hiểu sâu về bản chất và đặc điểm của dữ liệu chuỗi thời gian
    2. Nắm vững các phương pháp thống kê truyền thống trong phân tích chuỗi thời gian
    3. Thành thạo áp dụng các mô hình Deep Learning cho bài toán chuỗi thời gian
    4. Có khả năng xử lý, phân tích, và dự báo dữ liệu chuỗi thời gian trong các lĩnh vực khác nhau
    5. Hiểu và áp dụng được các kỹ thuật tiên tiến như Transfer Learning và Attention trong mô hình chuỗi thời gian

Chi tiết khóa học

Hình thức đào tạo

  • Tham gia học trực tiếp tại OpenLab
  • Hoặc theo yêu cầu doanh nghiệp (In house Training)
  • Cấp chứng nhận hoàn thành sau khóa học

Sơ lược chương trình

Giới thiệu về Chuỗi thời gian và Xử lý dữ liệu (6 giờ)

  • Bài 1: Tổng quan về chuỗi thời gian (2 giờ)
    • Định nghĩa và đặc điểm của chuỗi thời gian
    • Các thành phần của chuỗi thời gian: xu hướng, chu kỳ, tính mùa vụ, nhiễu
    • Ứng dụng của phân tích chuỗi thời gian trong các lĩnh vực
  • Bài 2: Xử lý và khám phá dữ liệu chuỗi thời gian (2 giờ)
    • Thu thập và làm sạch dữ liệu chuỗi thời gian
    • Kỹ thuật trực quan hóa chuỗi thời gian
    • Phát hiện và xử lý dữ liệu bất thường (outliers)
  • Bài 3: Tiền xử lý dữ liệu chuỗi thời gian (2 giờ)
    • Xử lý dữ liệu thiếu trong chuỗi thời gian
    • Kỹ thuật chuẩn hóa và scaling dữ liệu
    • Tạo feature cho mô hình chuỗi thời gian
    • Bài tập thực hành: Xử lý và khám phá một bộ dữ liệu chuỗi thời gian thực tế

Phương pháp thống kê cho Chuỗi thời gian (12 giờ)

  • Bài 4: Phân tích xu hướng và tính mùa vụ (3 giờ)
    • Phương pháp Moving Average
    • Phân rã chuỗi thời gian (Time Series Decomposition)
    • Seasonal and Trend decomposition using Loess (STL)
  • Bài 5: Mô hình ARIMA và các biến thể (3 giờ)
    • Autoregressive (AR) models
    • Moving Average (MA) models
    • ARIMA và SARIMA models
    • Bài tập: Xây dựng và đánh giá mô hình ARIMA cho dữ liệu thực tế
  • Bài 6: Mô hình hồi quy cho chuỗi thời gian (3 giờ)
    • Linear regression với time lag
    • Distributed Lag Models
    • Vector Autoregression (VAR)
  • Bài 7: Phương pháp thống kê nâng cao (3 giờ)
    • Exponential Smoothing và Holt-Winters
    • GARCH models cho dữ liệu tài chính
    • Bayesian structural time series (BSTS)
    • Dự án mini: So sánh hiệu quả của các phương pháp thống kê trên một bộ dữ liệu chuỗi thời gian phức tạp

Deep Learning cho Chuỗi thời gian (15 giờ)

  • Bài 8: Recurrent Neural Networks (RNN) cho chuỗi thời gian (3 giờ)
    • Kiến trúc RNN và ứng dụng trong chuỗi thời gian
    • Vanishing gradient problem trong RNN
    • Bài tập: Implement RNN đơn giản cho dự báo chuỗi thời gian
  • Bài 9: LSTM và GRU cho chuỗi thời gian (3 giờ)
    • Kiến trúc LSTM và GRU
    • So sánh LSTM, GRU với RNN cơ bản trong bài toán chuỗi thời gian
    • Bài tập: Xây dựng mô hình LSTM cho dự báo chuỗi thời gian đa biến
  • Bài 10: Convolutional Neural Networks (CNN) cho chuỗi thời gian (3 giờ)
    • 1D CNN cho chuỗi thời gian
    • WaveNet và Temporal Convolutional Networks (TCN)
    • So sánh CNN với RNN/LSTM trong bài toán chuỗi thời gian
  • Bài 11: Encoder-Decoder và Sequence-to-Sequence models (3 giờ)
    • Kiến trúc Encoder-Decoder cho chuỗi thời gian
    • Attention mechanism trong mô hình chuỗi thời gian
    • Bài tập: Implement mô hình Seq2Seq với Attention cho dự báo chuỗi thời gian
  • Bài 12: Transformer và Self-Attention cho chuỗi thời gian (3 giờ)
    • Áp dụng kiến trúc Transformer cho chuỗi thời gian
    • Temporal Fusion Transformers
    • Dự án: Xây dựng mô hình Transformer cho dự báo chuỗi thời gian đa biến

Kỹ thuật nâng cao và ứng dụng thực tế (12 giờ)

  • Bài 13: Xử lý dữ liệu chuỗi thời gian không đồng nhất (3 giờ)
    • Chuỗi thời gian với tần suất không đều
    • Phương pháp nội suy và ngoại suy
    • Mô hình cho dữ liệu chuỗi thời gian không đồng nhất
  • Bài 14: Transfer Learning trong chuỗi thời gian (3 giờ)
    • Nguyên lý của Transfer Learning cho chuỗi thời gian
    • Pre-training và fine-tuning trong mô hình chuỗi thời gian
    • Bài tập: Áp dụng Transfer Learning cho bài toán dự báo chuỗi thời gian với dữ liệu hạn chế
  • Bài 15: Dự báo xác suất và định lượng độ không chắc chắn (3 giờ)
    • Probabilistic forecasting
    • Quantile regression cho chuỗi thời gian
    • Bayesian Neural Networks cho chuỗi thời gian
  • Bài 16: Ứng dụng thực tế và xu hướng mới (3 giờ)
    • Dự báo nhu cầu và quản lý chuỗi cung ứng
    • Phân tích dữ liệu tài chính và dự báo giá cổ phiếu
    • Dự báo tiêu thụ năng lượng và phát hiện bất thường
    • Thảo luận: Các xu hướng mới trong phân tích chuỗi thời gian (Federated Learning, Explainable AI)

 

/* Nội dung chương trình có thể thay đổi theo yêu cầu đào tạo của Doanh nghiệp */

------------------------------------

Điện thoại liên hệ khóa học tại aipro.vn

090.999.4327 | Mr. David Dang

Email liên hệ khóa học tại aipro.vn

admin@aipro.vn

 

Đăng ký khóa học