Zaman Serisi ve Panel Veri Analizi Eğitimi
Zaman Serisi ve Panel Veri Analizi Eğitimi
Eğitim Hakkında
Zaman serisi ve panel veriler, satış tahmini, talep planlama, finansal öngörü ve operasyonel karar alma gibi birçok iş sürecinin temelini oluşturmaktadır. Bu eğitim, katılımcıların zamana bağlı verileri doğru şekilde analiz etmelerini, uygun tahmin modellerini geliştirmelerini ve model performansını güvenilir yöntemlerle değerlendirmelerini amaçlamaktadır.
Eğitim kapsamında trend, sezonsallık ve durağanlık analizi; feature engineering, ARIMA/SARIMA, Prophet ve Machine Learning tabanlı tahmin modelleri ele alınmaktadır. Ayrıca time-series cross validation, panel veri modelleme, Fixed Effects ve Random Effects modelleri, segment bazlı tahminleme ve Hierarchical Forecasting konuları uygulamalı çalışmalarla incelenmektedir. Katılımcılar, eğitim sonunda uçtan uca bir tahminleme pipeline’ı geliştirme ve modelleri production süreçlerine hazırlama becerileri kazanacaktır.
Ön Koşul
Katılımcıların Python, pandas, temel istatistik ve Machine Learning kavramları hakkında bilgiye sahip olmaları önerilmektedir.
Eğitim İçeriği
- Zaman Serisi Analizine Giriş & Bileşenler
- Zaman serisi nedir, kesitsel veriden farkı
- Trend, sezonsallık, döngüsellik (cycle) ve rastgele bileşen (residual) ayrıştırma
- Additive vs multiplicative decomposition
- Zaman serisi görselleştirme: line plot, seasonal plot, autocorrelation plot
- LAB: Gerçek bir zaman serisinde trend/sezonsallık/residual decomposition çıkarma
- Durağanlık (Stationarity) & Dönüşüm Teknikleri
- Durağanlık kavramı — neden modelleme için kritik
- ADF (Augmented Dickey-Fuller) ve KPSS testleri ile durağanlık testi
- Differencing, log dönüşümü, Box-Cox dönüşümü
- ACF/PACF grafikleri ile model derecesi belirleme sezgisi
- LAB: Durağan olmayan bir seriyi differencing ile durağan hale getirme, ADF testiyle doğrulama
- Lag Değişkenleri & Rolling/Window Feature Mühendisliği
- Lag feature'lar: geçmiş değerlerin öngörü gücü
- Rolling mean/std/min/max ve expanding window feature'lar
- Lag/rolling feature üretiminde leakage riski — dikkat edilmesi gerekenler
- Tatil/özel gün ve dış değişken (exogenous) feature entegrasyonu
- LAB: Satış verisinde lag ve rolling feature seti oluşturma
- ARIMA/SARIMA Mantığı Derinlemesine
- AR, I, MA bileşenlerinin sezgisel açıklaması
- ARIMA(p,d,q) parametre seçimi: ACF/PACF, grid search, auto_arima
- SARIMA: mevsimsel bileşenlerin (P,D,Q,s) modele eklenmesi
- Model diagnostikleri: residual analizi, Ljung-Box testi
- LAB: SARIMA modeli kurma, residual diagnostikleri ile model doğrulama
- Prophet & Modern İstatistiksel Yaklaşımlar
- Prophet mimarisi: trend, sezonsallık, holiday effect bileşenleri
- Prophet'in ARIMA'ya göre avantaj ve dezavantajları
- Changepoint tespiti ve esneklik ayarları
- Çoklu mevsimsellik (günlük/haftalık/yıllık) yönetimi
- LAB: Prophet ile tahmin modeli kurma, changepoint ve holiday etkisi tuning
- ML Tabanlı Zaman Serisi Tahminleme
- Zaman serisini supervised learning problemine dönüştürme (feature-based yaklaşım)
- Gradient Boosting (XGBoost/LightGBM) ile zaman serisi tahmini
- Klasik istatistiksel modeller vs ML tabanlı modeller — ne zaman hangisi
- Çoklu adım (multi-step) tahmin stratejileri: recursive, direct, multi-output
- LAB: Feature-based ML modeliyle ARIMA/Prophet sonuçlarının karşılaştırılması
- Train-Test Ayrımı & Time-Series Cross Validation
- Zaman serisinde rastgele train/test split'in neden yanlış olduğu
- Time-based split ve walk-forward validation
- Time-series cross validation: expanding window, sliding window
- Data leakage riskleri: gelecek bilgisinin sızması, feature hesaplama sırası
- LAB: Walk-forward validation ile model performansının doğru şekilde ölçülmesi
- Tahmin Performans Metrikleri & Model Seçimi
- MAE, RMSE, MAPE, sMAPE — hangi metrik ne zaman kullanılır
- Baseline karşılaştırma: naive forecast, seasonal naive
- Tahmin aralığı (prediction interval) ve belirsizlik yönetimi
- Model seçiminde iş bağlamının rolü (aşırı/az tahmin maliyeti)
- LAB: Farklı modellerin metriklerle karşılaştırılması, baseline'a karşı anlamlılık analizi
- Panel Veri Yapısına Giriş & Entity-Time İndeksleme
- Panel veri nedir — kesitsel veri ile zaman serisinin birleşimi
- Entity-time (id, timestamp) indeksleme ve veri düzenleme (long/wide format)
- Panel veride eksik gözlem ve dengesiz panel (unbalanced panel) sorunları
- Panel veride görselleştirme ve keşifsel analiz teknikleri
- LAB: Çoklu mağaza/müşteri verisini panel formatına dönüştürme
- Fixed Effects & Random Effects Mantığı
- Fixed effects: entity'ye özgü sabit etkilerin kontrolü
- Random effects: varyans bileşenleri ve etkinlik farkı
- Hausman testi: fixed vs random effects seçim mantığı
- Panel veride tahminleme bağlamında fixed/random effects kullanımı
- LAB: Fixed ve random effects modellerinin kurulması ve Hausman testi ile karşılaştırılması
- Çoklu Zaman Serilerinde Feature Üretimi & Segment Bazlı Tahminleme
- Çoklu seri için ölçeklenebilir feature engineering stratejileri
- Global model vs entity-bazlı (local) model yaklaşımı
- Segmentasyon: benzer davranışlı entity gruplarının belirlenmesi
- Segment bazlı model kurma ve model havuzu (model per segment) yönetimi
- LAB: Segmentlere göre ayrılmış çoklu seri için feature seti oluşturma
- Hierarchical Forecasting Yaklaşımı
- Hiyerarşik/gruplu zaman serisi yapıları (ülke → bölge → mağaza gibi)
- Top-down, bottom-up, middle-out uzlaştırma (reconciliation) stratejileri
- Optimal reconciliation (MinT) yaklaşımına giriş
- Hiyerarşik tutarlılığın iş kararlarına etkisi
- LAB: Basit bir hiyerarşik yapıda bottom-up ve top-down tahminlerin uzlaştırılması
- Kapanış: Leakage Riskleri, Production Süreci & Proje Değerlendirmesi
- Zaman serisi ve panel veri projelerinde sık karşılaşılan leakage senaryoları
- Feature pipeline'ın production'da zaman tutarlılığı ile kurulması
- Model yeniden eğitim (retraining) sıklığı ve drift takibi
- Proje değerlendirmesi — uçtan uca tahminleme pipeline sunumu
Kazanımlar
- Zaman serilerindeki trend, sezonsallık, döngüsellik ve residual bileşenlerini analiz edebileceksiniz.
- ADF ve KPSS testleriyle durağanlığı değerlendirebilecek ve uygun dönüşümleri uygulayabileceksiniz.
- Lag, rolling ve dış değişkenlerden yararlanarak feature setleri oluşturabileceksiniz.
- ARIMA ve SARIMA modellerini kurabilecek ve residual analizleriyle doğrulayabileceksiniz.
- Prophet ile trend, sezonsallık, tatil etkisi ve changepoint yapılarını modelleyebileceksiniz.
- XGBoost ve LightGBM kullanarak Machine Learning tabanlı tahmin modelleri geliştirebileceksiniz.
- Farklı iş ihtiyaçları için uygun çoklu adım tahmin stratejisini seçebileceksiniz.
- Walk-forward validation ve time-series cross validation yöntemlerini uygulayabileceksiniz.
- Tahmin modellerini MAE, RMSE, MAPE ve sMAPE metrikleriyle karşılaştırabileceksiniz.
- Panel verileri düzenleyebilecek ve Fixed Effects ile Random Effects modellerini uygulayabileceksiniz.
- Çoklu zaman serileri için global, local ve segment bazlı modeller geliştirebileceksiniz.
- Hierarchical Forecasting yöntemleriyle farklı seviyelerdeki tahminleri uzlaştırabileceksiniz.
- Data leakage, model drift ve yeniden eğitim gereksinimlerini yönetebileceksiniz.
- Production ortamına uygun tahminleme pipeline’ları tasarlayabileceksiniz.
Hedef Kitle
- İş zekâsı uzmanları
- İstatistikçiler
- Ekonometristler
- Finansal analistler
- Risk analistleri
- Satış analistleri
- Talep planlama uzmanları
- Tedarik zinciri uzmanları
- Operasyon analistleri
- Zaman serisi ve panel veri analizi alanında uzmanlaşmak isteyen profesyoneller
Sertifika
Eğitimlerimize %80 oranında katılım gösterilmesi ve eğitim müfredatına göre uygulanacak sınav/projelerin başarıyla tamamlanması durumunda, eğitimin sonunda dijital ve QR kod destekli “BT Akademi Başarı Sertifikası” verilmektedir.
İlgili Kurslar
SEKTÖRÜN GÜVENDİĞİ ÇÖZÜM ORTAĞI
BT Akademi'yi tercih eden 4.000'den fazla kurum yanılmıyor.
