根据具体业务对数据进行时间序列统计

程序员研修院
企业官方账号
2023-01-12 15:18:44

课时名称课时知识点
根据具体业务对数据进行时间序列统计根据具体业务对数据进行时间序列统计
...全文
232 回复 打赏 收藏 转发到动态 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
时间序列分析技巧（一）：根据ACF、PACF进行AR、MA、ARMA模型选择
本文指导程序员如何在时间序列预测领域选择职业道路，重点讲解了ARIMA模型的选择方法，通过ACF和PACF图判断模型类型，并强调了编程语言、统计学知识、数据处理技能和业务理解的重要性。
时间序列异常检测算法盘点：统计方法、预测方法、有监督学习、深度学习、业务指标异常检测
本文深入探讨时间序列异常检测，从数据场景、实际挑战和常用算法三个方面展开。面对形态各异的数据和缺乏标注的问题，统计方法如k-sigma、预测模型如ARIMA、LSTM以及有监督学习和深度学习生成模型各有优劣。文章提出了一种结合特征描述、检测器和分类器的智能异常检测架构，以适应不同业务场景，减少误报和漏报。
干货 ：时间序列异常检测
异常检测在时序数据分析中至关重要，应用于多个领域如航天、网络安全等。异常类型包括异常值、波动点、断层异常和异常时间序列。统计方法如3σ法则、箱型图、Grubbs测试等用于识别异常；预测方法通过残差分析检测异常；基于距离和密度的方法如k-NN、LOF等寻找离群点；PCA和非线性方法如iForest也可用于异常检测。此外，还有针对非数值型数据的AVF算法。了解并选择合适的方法对实时业务监控和故障预防具有重要意义。
【机器学习 | 数据挖掘】时间序列算法
博客围绕时间序列展开，介绍常用算法，阐述预处理中的平稳性与白噪声检验方法。分析平稳时间序列的AR、MA、ARMA模型性质及建模步骤，还探讨非平稳时间序列，重点介绍差分运算和ARIMA模型，包括其构建及相关检验方法。
业务统计学实战指南：从数据清洗到决策分析的完整流程
本文聚焦业务场景下的统计学落地实践，涵盖数据清洗、A/B测试、回归分析、时间序列预测等核心环节，强调统计显著性与业务显著性的区分、样本量规划、模型诊断及结果向决策转化。重点解决教材理论与真实业务数据脱节问题，提供可复现的工程化分析流程和检查清单，适用于电商、金融、运营等领域的数据分析工作。
CSDN讲师的课程社区_NO_46

1

社区成员

52

社区内容

发帖
与我相关
我的任务
社区管理员
  • 程序员研修院
加入社区
  • 近7日
  • 近30日
  • 至今

加载中

查看更多榜单
社区公告
暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章