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 */
------------------------------------