Build your ultimate AI agent
Kursbeschreibung
Hast du schon mal versucht, die Zukunft vorherzusagen? Was vor uns liegt, ist ein Rätsel, das man meistens nur durch Abwarten lösen kann. In diesem Kurs kannst du aufhören zu warten und direkt in die Welt der Zeitreihenmodellierung eintauchen, indem du ARIMA-Modelle in Python nutzt, um die Zukunft vorherzusagen.
Wenn du diese Konzepte einfach verstehst und anwendest, kannst du Vorhersagen einen Schritt voraus erstellen, dynamische Prognosen erstellen und ARIMA-Modelle direkt an deine Daten anpassen.
Dieses Abschlussprojekt bringt alles zusammen und gibt dir ein umfassendes Verständnis der ARIMA-Modellierung.
Zeitreihendaten
Fang damit an, die Grundlagen von Zeitreihendaten zu lernen, einschließlich des Konzepts der Stationarität – das ist echt wichtig für die Arbeit mit ARMA-Modellen. Du lernst, wie du die Stationarität sowohl visuell als auch statistisch testest, ARMA-Daten erzeugst und ARMA-Modelle anpasst, um eine solide Grundlage zu bekommen.Paket „Statsmodels“
Entdecke im Laufe deiner Arbeit das leistungsstarke Statsmodels-Paket zum Anpassen von ARMA-, ARIMA- und ARMAX-Modellen. Du wirst praktische Erfahrungen damit sammeln, wie du mit deinen Modellen zukünftige Werte wie Aktienkurse vorhersagen kannst.Wenn du diese Konzepte einfach verstehst und anwendest, kannst du Vorhersagen einen Schritt voraus erstellen, dynamische Prognosen erstellen und ARIMA-Modelle direkt an deine Daten anpassen.
ACF- und PACF-Diagramme
Einer der Höhepunkte ist, dass du lernst, wie du mit ACF- und PACF-Diagrammen das beste Modell auswählst, um vielversprechende Modellordnungen zu finden. Du lernst Kriterien wie AIC und BIC für die Modellauswahl und -diagnostik kennen, die dir dabei helfen, deine Modelle zu perfektionieren..SARIMA-Modelle
Der Kurs endet mit saisonalen ARIMA-Modellen (SARIMA), die super für die Verarbeitung von Daten mit saisonalen Mustern sind. Du lernst, Zeitreihendaten in saisonale und nicht-saisonale Komponenten zu zerlegen und deine ARIMA-Kenntnisse in einer globalen Prognoseherausforderung anzuwenden.Dieses Abschlussprojekt bringt alles zusammen und gibt dir ein umfassendes Verständnis der ARIMA-Modellierung.
Voraussetzungen
Lernprogramm
Kursübersicht
1
ARMA-Modelle
Steig direkt ein und lerne die wichtigsten Eigenschaften von Zeitreihen kennen. Du erfährst, was Stationarität ist und warum sie für ARMA-Modelle wichtig ist. Du lernst, Stationarität per Augenmaß und mit einem standardisierten statistischen Test zu prüfen. Zum Schluss lernst du die Grundstruktur von ARMA-Modellen kennen, erzeugst damit ARMA-Daten und passt ein ARMA-Modell an.
- Einführung in Zeitreihen und Stationarität50 XP
- Erkundung100 XP
- Train-Test-Splits100 XP
- Ist sie stationär100 XP
- Zeitreihen stationär machen50 XP
- Augmented Dickey-Fuller100 XP
- Differenzbildung anwenden100 XP
- Weitere Transformationen100 XP
- Einführung in AR-, MA- und ARMA-Modelle50 XP
- Modellordnung100 XP
- ARMA-Daten erzeugen100 XP
- Fitting-Vorspiel100 XP
2
Die Zukunft anpassen
In diesem Kapitel geht es darum, dass du vorhersagst, was in deinen Daten als Nächstes passiert. Du lernst, wie du das elegante statsmodels-Paket verwendest, um ARMA-, ARIMA- und ARMAX-Modelle zu fitten. Danach nutzt du deine Modelle, um die ungewisse Zukunft von Aktienkursen zu prognostizieren!
3
Die besten der besten Modelle
In diesem Kapitel wirst du zur Modellierer:in mit gutem Geschmack. Du lernst, wie du vielversprechende Modellordnungen aus den Daten selbst ableitest und, sobald die aussichtsreichsten Modelle trainiert sind, wie du aus dieser Auswahl das beste Modell wählst. Außerdem lernst du ein starkes Framework, mit dem du deine Zeitreihenprojekte strukturiert angehst.
4
Saisonale ARIMA-Modelle
In diesem letzten Kapitel lernst du, mit saisonalen ARIMA-Modellen komplexere Daten zu modellieren. Du zerlegst die Daten in saisonale und nicht saisonale Komponenten und nutzt dann all deine ARIMA-Werkzeuge für eine letzte globale Forecast-Herausforderung.
ARIMA-Modelle in Python
Kurs
abgeschlossen
