Learn AI with Python · Ders

Zaman Serisi Bileşenleri ve Durağanlık

Trend, mevsimsellik, gürültü, durağanlık için ADF testi, durağanlığa ulaşmak için fark alma.

Zaman Serisi Bileşenleri ve Durağanlık, CoddyKit'te ücretsiz bir Learn AI with Python dersidir. Bu, 4 dersinin 1. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, Learn AI with Python öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. Learn AI with Python kursu toplamda 4 dersten oluşur.

Zaman Serisi Nedir

Zaman serisi, günlük satışlar veya saatlik sıcaklık gibi zaman sırasına göre indekslenmiş verilerdir. Gözlemler sıralı olduğundan ve çoğu zaman birbiriyle ilişkili bulunduğundan özel teknikler gerekir; sıradan tablo verilerinde olduğu gibi satırları rastgele karıştıramazsınız.

Üç Bileşen

Klasik bir bakış açısına göre seri şu bileşenlere ayrılır:

Eğilim: uzun vadeli yukarı veya aşağı yönlü hareket.
Mevsimsellik: sabit dönemlerde tekrarlanan örüntüler (haftalık, yıllık).
Artık: eğilim ve mevsimsellik çıkarıldıktan sonra geriye kalan rastgele gürültü.

Toplamsal ve Çarpımsal Modeller

Toplamsal bir modelde: y = trend + seasonality + residual; mevsimsel dalgalanmaların boyutu sabit olduğunda kullanılır.

Çarpımsal bir modelde: y = trend * seasonality * residual; mevsimsel dalgalanmalar eğilimle birlikte büyüdüğünde kullanılır.

seasonal_decompose

statsmodels, bir seriyi bileşenlerine otomatik olarak ayırabilir.

from statsmodels.tsa.seasonal import seasonal_decompose

result = seasonal_decompose(series, model="additive", period=12)
result.trend
result.seasonal
result.resid

Ayrıştırmayı Görselleştirme

Sonucu grafikleştirmek, her bileşeni üst üste gösterir; böylece eğilimi ve mevsimselliği görmek kolaylaşır ve bir tahmin yaklaşımı seçmenize yardımcı olur.

import matplotlib.pyplot as plt

result.plot()
plt.tight_layout()
plt.show()

Durağanlık Nedir

Bir seri, istatistiksel özellikleri (ortalama, varyans, otokorelasyon) zaman içinde sabit kaldığında durağandır. ARIMA gibi birçok klasik model durağanlığı varsayar; bu nedenle durağanlığı kontrol etmek ve sağlamak önemli bir ilk adımdır.

Durağanlık Neden Önemlidir

Ortalama zaman içinde kayıyor veya varyans hızla büyüyorsa, erken veriler üzerinde uydurulan bir model sonraki verilere genellenemez. Eğilimi kaldırmak ve varyansı kararlı hâle getirmek, seriyi tutarlı bir biçimde tahmin edilebilir kılar.

ADF Testi

Genişletilmiş Dickey-Fuller (ADF) testi durağanlığı kontrol eder. Sıfır hipotezi "durağan değil (birim köke sahip)" şeklindedir. 0.05'in altındaki bir p-değeri, sıfır hipotezini reddetmenize ve seriyi durağan kabul etmenize olanak tanır.

from statsmodels.tsa.stattools import adfuller

stat, pvalue, *_ = adfuller(series)
print("p-value:", pvalue)
# pvalue < 0.05  -> stationary

Durağanlığa Ulaşmak İçin Fark Alma

Fark alma, eğilimi ortadan kaldırmak için her değeri önceki değerden çıkarır. Birinci dereceden fark alma genellikle doğrusal bir eğilimi ele alır; gerekirse işlemi yeniden uygulayın.

diff1 = series.diff().dropna()      # first difference
diff2 = series.diff().diff().dropna()  # second difference

Fark Almadan Sonra Doğrulama

ADF testini farkı alınmış seri üzerinde yeniden çalıştırın. p-değeri 0.05'in altına düştüğünde durağanlığa ulaşmış ve ARIMA'ya doğrudan aktarılan fark alma derecesi d'yi kaydetmiş olursunuz.

stat, pvalue, *_ = adfuller(series.diff().dropna())
print("p-value after differencing:", pvalue)

Diğer Kararlı Hâle Getirme Dönüşümleri

Varyans zaman içinde büyüyorsa, fark alma işleminden önce bir log veya Box-Cox dönüşümü varyansı kararlı hâle getirir. Bir log dönüşümünü fark alma işlemiyle birleştirmek, gerçek dünyadaki çarpımsal büyüme gösteren birçok seriyi ele alır.

import numpy as np

log_series = np.log(series)
stationary = log_series.diff().dropna()

Hızlı Kontrol

Durağanlık konusundaki anlayışınızı sınayın.

Özet

Serileri seasonal_decompose ile eğilim, mevsimsellik ve artık bileşenlerine ayırdınız, toplamsal ve çarpımsal modelleri öğrendiniz, ADF testi ile durağanlığı sınadınız ve bir seriyi durağan hâle getirmek için fark alma işlemini (d derece) kullandınız. Sırada: ARIMA ve SARIMA.

Sıkça Sorulan Sorular

“Zaman Serisi Bileşenleri ve Durağanlık” dersi ücretsiz mi?

Evet — “Zaman Serisi Bileşenleri ve Durağanlık” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve Learn AI with Python kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. Learn AI with Python kursu toplamda 4 dersten oluşur.

“Zaman Serisi Bileşenleri ve Durağanlık” dersinde ne öğreneceğim?

Trend, mevsimsellik, gürültü, durağanlık için ADF testi, durağanlığa ulaşmak için fark alma. Learn AI with Python ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.

Learn AI with Python öğrenmeye başlamak için deneyim gerekli mi?

Önceden deneyim gerekmez. CoddyKit'te Learn AI with Python, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 1. dersidir.

“Zaman Serisi Bileşenleri ve Durağanlık” dersi ne kadar sürer?

Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.

Bu Learn AI with Python dersinde kod yazıp çalıştırabilir miyim?

Evet. Her Learn AI with Python dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.

Bu kursun tüm dersleri

← Learn AI with Python Sayfasına Dön