Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Lerne, wie du Python für Zeitreihenanalysen nutzen kannst
Von Aktienkursen bis hin zu Klimadaten findest du Zeitreihendaten in den unterschiedlichsten Bereichen. Die Fähigkeit, mit solchen Daten effektiv umzugehen, wird für Datenwissenschaftler immer wichtiger. In diesem Kurs lernst du die Zeitreihenanalyse in Python kennen.Nachdem du gelernt hast, was eine Zeitreihe ist, wirst du verschiedene Zeitreihenmodelle kennenlernen, von autoregressiven und gleitenden Durchschnittsmodellen bis hin zu Kointegrationsmodellen. Dabei lernst du, wie du diese Modelle mit statistischen Bibliotheken in Python schätzen, prognostizieren und simulieren kannst.
Du wirst viele Beispiele sehen, wie diese Modelle genutzt werden, vor allem im Finanzbereich.
Lerne, wie man Zeitreihenmethoden anwendet
Du fängst damit an, die Grundlagen von Zeitreihendaten und einfacher linearer Regression zu lernen. Du lernst die Konzepte der Korrelation und Autokorrelation kennen und wie sie bei Zeitreihendaten angewendet werden, bevor du dich mit ein paar einfachen Zeitreihenmodellen wie weißem Rauschen und Zufallsbewegungen beschäftigst. Als Nächstes schaust du dir an, wie autoregressive (AR) Modelle für Zeitreihendaten verwendet werden, um aktuelle Werte vorherzusagen, und wie gleitende Durchschnittsmodelle mit AR-Modellen kombiniert werden können, um leistungsstarke ARMA-Modelle zu erstellen.Zum Schluss schaust du dir an, wie man Kointegrationsmodelle benutzt, um zwei Reihen zusammen zu modellieren, bevor du dir eine echte Fallstudie ansiehst.
Entdecke Python-Modelle und -Bibliotheken für die Zeitreihenanalyse Am Ende dieses Kurses wirst du verstehen, wie die Zeitreihenanalyse in Python funktioniert. Du wirst ein paar Modelle, Methoden und Bibliotheken kennenlernen, die dir bei dem Prozess helfen können, und du wirst wissen, wie du die passenden für deine eigene Analyse auswählst.
Dieser Kurs ist Teil eines größeren Lernpfads namens „Zeitreihen mit Python“, der fünf Kurse umfasst, mit denen du diese Data-Science-Fähigkeit meistern kannst.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Korrelation und Autokorrelation
In diesem Kapitel lernst du die Begriffe Korrelation und Autokorrelation für Zeitreihen kennen. Korrelation beschreibt die Beziehung zwischen zwei Zeitreihen, Autokorrelation die Beziehung einer Zeitreihe zu ihren vergangenen Werten.
- Kursüberblick50 XP
- Eine „dünne“ Anwendung von Zeitreihen100 XP
- Zeitreihen mit unterschiedlichen Daten mergen100 XP
- Korrelation zweier Zeitreihen50 XP
- Korrelation von Aktien und Anleihen100 XP
- Fliegende Untertassen sind nicht mit fliegenden Märkten korreliert100 XP
- Einfache lineare Regression50 XP
- Den R-Quadrat-Wert einer Regression betrachten100 XP
- Korrelation mit Regressionsausgabe abgleichen50 XP
- Autokorrelation50 XP
- Eine beliebte Strategie mithilfe von Autokorrelation100 XP
- Sind Zinssätze autokorreliert?100 XP
2
Einige einfache Zeitreihen
In diesem Kapitel lernst du einige einfache Zeitreihenmodelle kennen. Dazu gehören White Noise und ein Random Walk.
3
Autoregressive (AR-)Modelle
In diesem Kapitel lernst du autoregressive, kurz AR-, Modelle für Zeitreihen kennen. Diese Modelle nutzen vergangene Werte der Reihe, um den aktuellen Wert vorherzusagen.
4
Moving-Average- (MA) und ARMA-Modelle
In diesem Kapitel lernst du eine weitere Modellklasse kennen: das Moving-Average-, kurz MA-, Modell. Außerdem siehst du, wie sich AR- und MA-Modelle zu einem leistungsfähigen ARMA-Modell kombinieren lassen.
5
Alles zusammenführen
Dieses Kapitel zeigt dir, wie du zwei Reihen gemeinsam mit Kointegrationsmodellen modellierst. Anschließend rundest du das Ganze mit einer Fallstudie ab, in der du eine Zeitreihe mit Temperaturdaten aus New York City analysierst.
Zeitreihenanalyse in Python
Kurs
abgeschlossen
