<h1>恭喜！🎉 </h1>
<p style="color:#637381;">干得好！课程已完成！</p>

要继续，请输入您的详细信息以登录。

我们已将一个6位数的验证码发送至 #MAIL_ADDRESS#\n请检查您的收件箱或垃圾邮件，并在下方输入验证码以继续。

验证码已发送

感谢您的付款。现在您只需点击下面的按钮即可访问 {collectionName}。

继续课程

解锁此独家课程

您的电子邮件地址目前似乎不在授权访问列表中。请确保您使用的是受邀的电子邮件地址，或联系内容所有者寻求帮助。

访问需要验证

第 7 章客座讲师视频

John Schuler 教授 第 7 章

时间序列与预测

介绍视频

引言

第 5.1 节：时间序列分析简介

讲座视频 5.1

学习成果

什么是时间序列？

时间序列模型

时间序列预测

示例 5.1

时间序列数据示例

在 Excel 中处理和可视化时间序列数据

在 Python 中处理和可视化时间序列数据

第 5.2 节：时间序列分析的组成部分

讲座视频 5.2

趋势曲线与趋势-周期成分

可视化趋势曲线

Excel 中的趋势线

季节性变动

示例 5.2

噪声与随机变动

第 5.3 节：时间序列预测方法

讲座视频 5.3

去趋势数据和平滑技术

简单移动平均 (SMA)

示例 5.3

差分法

示例 5.4

示例 5.5

Excel 中的 SMA 和差分

Python 中的 SMA 和差分

分析季节性

识别周期

季节性调整后的数据

示例 5.6

知识自测

知识自测：什么是时间序列？

知识自测：时间序列模型

知识自测：时间序列预测

知识自测：在 Excel 中可视化时间序列数据

知识自测：在 Python 中可视化时间序列数据

知识自测：趋势曲线和趋势循环分量

知识自测：可视化趋势曲线

知识检查：季节性变化

知识检查：噪声和随机变化

知识检查：数据去趋势和回归平滑技术

知识检查：简单移动平均线 (SMA)

知识检查：差分

知识检查：Excel 中的 SMA 和差分

知识检查：分析季节性

知识检查：季节性调整后的数据

欢迎来到“使用 Excel 和 Python 进行时间序列分析与预测”课程。本课程旨在为您提供分析时间数据并做出准确未来预测的基本技能。在当今数据驱动的世界中，预测趋势、理解季节性变化以及从基于时间的数据中提取有意义的见解，是金融、零售、营销和运营等行业备受追捧的技能。

欢迎来到“使用 Excel 和 Python 进行时间序列分析与预测”课程。本课程旨在为您提供分析时间数据并做出准确未来预测的基本技能。在当今数据驱动的世界中，预测趋势、理解季节性变化以及从基于时间的数据中提取有意义的见解，是金融、零售、营销和运营等行业备受追捧的技能。这门综合课程通过教授如何利用数据科学中两个最强大的工具：Microsoft Excel 和 Python，弥合了理论与实践之间的鸿沟。

在整个课程中，您将深入研究时间序列分析的核心组成部分，包括趋势曲线、季节性变化和随机噪声。您将学习如何有效地可视化时间序列数据，并应用强大的预测方法，如简单移动平均线 (SMA)、去趋势和差分。通过学习实际的真实案例，您将掌握平滑技术和季节性调整数据的艺术，以改进您的预测模型。

无论您是希望升级预测技术的分析师，还是旨在做出数据支持决策的商业专业人士，亦或是步入数据科学领域的学生，本课程都提供了一个结构化的、循序渐进的学习路径。通过专门针对 Excel 和 Python 的模块，您可以灵活地在最熟悉的环中应用这些技术。立即报名，将历史数据转化为可操作的未来洞察！

第 7 章：使用 Excel 和 Python 进行时间序列分析与预测

<div class="simple-box-wrapper">
    <div class="simple-box">
        <div class="column">
            <p>Time series analysis and forecasting are critical skills in today's data-driven landscape, enabling professionals to extract meaningful insights from historical data and predict future trends. This course offers a comprehensive exploration of time series data, bridging the gap between theoretical concepts and practical application. By leveraging both Microsoft Excel and Python, learners will discover how to effectively visualize, manipulate, and analyze temporal data. The curriculum begins with a solid foundation in understanding what time series data entails, exploring various models, and mastering the initial steps of data visualization in both spreadsheet and programming environments.</p>

<p>As the journey progresses, the course delves into the core components that make up a time series, including trend curves, seasonal variations, and random noise. Participants will learn how to isolate these elements to better understand underlying patterns. Furthermore, the curriculum covers essential forecasting methods and smoothing techniques, such as Simple Moving Averages (SMA) and differencing. Through hands-on examples and practical exercises, learners will master the art of detrending data, identifying seasonal periods, and creating seasonally adjusted datasets. A series of targeted quizzes integrated throughout the modules ensures that participants can test their knowledge and confidently apply these analytical techniques to real-world forecasting challenges.</p>
        </div>
    </div>
</div>
