Üst sınırların belirlenmesi

Önceki egzersizde bazı anormal sınıflandırma eşikleri denemiştik; ancak bu, aykırı değerlerle başa çıkmanın en bilimsel yolu değil.

Bunun yerine, potansiyel temizleme için aykırı değerleri işaretlememize yardımcı olacak şekilde ortalama ve standart sapma kullanarak üst sınırlar belirlemeliyiz; bu egzersizde tam olarak bunu yapacağız.

Senin için 7D_WMP adında bir alan oluşturduk; bu, Water Market Price $ ML alanının 7 günlük hareketli ortalamasıdır ve bunu kullanman gerekecek!

İlerlemeyi kaybettiysen, Masaüstü'ndeki Workbooks klasöründen 3_5_upperbound.twbx çalışma kitabını yükle

Bu egzersiz

Tableau'da Zaman Serisi Analizi

kursunun bir parçasıdır

Kursu Görüntüle

Uygulamalı interaktif egzersiz

İnteraktif egzersizlerimizden biriyle teoriyi pratiğe dökün

Egzersizi başlat

Bu egzersiz

Tableau'da Zaman Serisi Analizi

kursunun bir parçasıdır

IntermediárioNível de habilidade

4.8+

136 reviews

Kursa Ücretsiz Başlayın

In this chapter, we’ll begin our journey by understanding the different types of time series that exist, as well as the analytical methodologies to analyze this. Once you’ve understood the fundamental concepts, you’ll learn how to reformat time series data in preparation for univariate and multivariate visualizations.

Exercise 1: An introduction to time series Exercise 2: Time series classification Exercise 3: Date time formatting in Tableau Exercise 4: Reformatting with datename Exercise 5: Partitioning with datepart Exercise 6: Date transformations and visualizations Exercise 7: Date time knowledge check Exercise 8: Reformatting dates in Tableau Exercise 9: Truncating dates Exercise 10: Calculating durations from date timestamps Exercise 11: Classifying time series data Exercise 12: Analyzing ridership behaviour

Everyone wants to analyze data, but it’s important the data is clean. In this chapter, we’ll learn how to clean up time series data using Tableau’s inbuilt date functions where we’ll reshape, split and rejoin our data based on the different time context we’re interested in. Beyond this, we’ll dive into the concepts of seasonality, trend analysis and anomaly detection!

Exercise 1: Date string manipulation and reformation Exercise 2: Valid or not?Exercise 3: Reforming dates in practice Exercise 4: Parsing the date Exercise 5: Weekly truncations Exercise 6: Seasonality and anomalies in time series data Exercise 7: Anomalous techniques Exercise 8: Visualizing seasonality and percentiles Exercise 9: Changing the seasons Exercise 10: Trending matters Exercise 11: Seasonal variance with box plots Exercise 12: Analyzing avocado pricing discrepencies

In this final chapter, you’ll learn all about the powers of window functions and statistical techniques like Z-Values, where you’ll create your very own anomaly classifiers to identify optimal pricing arbitrage opportunities for a trading company! In the second part of this chapter, we’ll compare multiple anomaly detection techniques, equipping you with a broad range of approaches to treating and analyzing time series!

Exercise 1: Tableau'da pencere (window) fonksiyonları Exercise 2: Pencere (window) fonksiyonlarını anlama Exercise 3: Pencere fonksiyonlarıyla hesaplamalar Exercise 4: Hareketli ortalamalarla veriyi yumuşatma Exercise 5: Hareketli ortalama zaman pencerelerini seçme Exercise 6: Pencere korelasyonlarıyla ilişkileri belirleme Exercise 7: Pencere fonksiyonlarıyla anomali tespiti Exercise 8: Z-skorları ve standart sapma ile kas hafızası Exercise 9: Pencere hesaplamalarına derinlemesine bakış Exercise 10: Oynaklığı açığa çıkarma Exercise 11: Üst sınırların belirlenmesi

Geçerli Egzersiz

Exercise 12: Z-skorları ile anomali tespiti Exercise 13: Tebrikler!