Durağanlık ve Fark Alma
Bir seriyi modellemeye hazırlama
Durağanlık ve Fark Alma, CoddyKit'te ücretsiz bir Data Science Academy dersidir. Bu, 4 dersinin 3. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, Data Science Academy öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. Data Science Academy kursu toplamda 4 dersten oluşur.
Bu dersin bazı bölümleri henüz çevrilmemiş olup İngilizce olarak gösterilmektedir.
Models Like Steady Data
Most forecasting models assume the series behaves consistently over time. That property has a name: stationarity. 🎯
What Stationary Means
A stationary series has a stable mean and spread that do not drift over time. Its statistical mood stays the same.
Trends Break Stationarity
A rising trend means the mean keeps climbing, so the series is non-stationary. Many models will struggle until you fix that.
Seasonality Breaks It Too
Repeating seasonal swings make the average rise and fall on a cycle. That changing pattern also counts as non-stationary.
The ADF Test
You do not have to guess. The ADF test checks stationarity and returns a p-value you can read.
from statsmodels.tsa.stattools import adfuller
result = adfuller(sales)Reading the P-Value
If the ADF p-value is below 0.05, the series is likely stationary. Above it, you probably still have a trend to remove.
Differencing to the Rescue
Differencing replaces each value with how much it changed from the last step. This simple move often erases a trend.
diffed = sales.diff()Why It Removes Trends
By looking at changes instead of levels, a steady climb becomes a flat line wobbling around zero, which is stationary.
Drop the First NaN
The very first row has nothing to subtract, so diff leaves it NaN. Drop it before testing or modeling.
diffed = sales.diff().dropna()Differencing Again
If one round is not enough, difference the result a second time. The number of rounds becomes the d term in ARIMA.
Seasonal Differencing
To kill a yearly cycle, subtract the value 12 steps back. That seasonal diff targets the repeating pattern directly.
seasonal = sales.diff(12)Quick Check
An ADF test on your raw series returns a p-value of 0.40. What does that suggest?
Recap: Make It Steady
You learned to test stationarity with ADF and to remove trends and cycles using differencing before modeling.
Sıkça Sorulan Sorular
“Durağanlık ve Fark Alma” dersi ücretsiz mi?
Evet — “Durağanlık ve Fark Alma” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve Data Science Academy kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. Data Science Academy kursu toplamda 4 dersten oluşur.
“Durağanlık ve Fark Alma” dersinde ne öğreneceğim?
Bir seriyi modellemeye hazırlama Data Science Academy ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.
Data Science Academy öğrenmeye başlamak için deneyim gerekli mi?
Önceden deneyim gerekmez. CoddyKit'te Data Science Academy, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 3. dersidir.
“Durağanlık ve Fark Alma” 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 Data Science Academy dersinde kod yazıp çalıştırabilir miyim?
Evet. Her Data Science Academy 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
- Trend, Mevsimsellik ve Gürültü
- Hareketli Pencereler ve Gecikmeler
- Durağanlık ve Fark Alma
- İlk Tahmin Temeliniz