Kurs
Zeitreihenanalyse in Python
FortgeschrittenSchwierigkeitsgrad
Aktualisiert 08.2024Kurs kostenlos starten
Im Lieferumfang enthalten beiPremium or Teams
PythonProbability & Statistics4 Std.17 Videos59 Übungen4,850 XP68,787Leistungsnachweis
Kostenloses Konto erstellen
oder
Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.Beliebt bei Lernenden in Tausenden Unternehmen
Training für 2 oder mehr Personen?
Probiere es mit DataCamp for BusinessKursbeschreibung
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
Manipulating Time Series Data in Python1
Correlation and Autocorrelation
In this chapter you'll be introduced to the ideas of correlation and autocorrelation for time series. Correlation describes the relationship between two time series and autocorrelation describes the relationship of a time series with its past values.
2
Some Simple Time Series
In this chapter you'll learn about some simple time series models. These include white noise and a random walk.
3
Autoregressive (AR) Models
In this chapter you'll learn about autoregressive, or AR, models for time series. These models use past values of the series to predict the current value.
4
Moving Average (MA) and ARMA Models
In this chapter you'll learn about another kind of model, the moving average, or MA, model. You will also see how to combine AR and MA models into a powerful ARMA model.
5
Putting It All Together
This chapter will show you how to model two series jointly using cointegration models. Then you'll wrap up with a case study where you look at a time series of temperature data from New York City.
Zeitreihenanalyse in Python
Kurs abgeschlossen
Leistungsnachweis verdienen
Füge diesen Fähigkeitsnachweis zu Deinem LinkedIn-Profil, Anschreiben oder Lebenslauf hinzuTeile es auf Social Media und in Deiner Leistungsbeurteilung
Im Lieferumfang enthalten beiPremium or Teams
Jetzt anmeldenSchließe dich 19 Millionen Lernenden an und starte Zeitreihenanalyse in Python heute!
Kostenloses Konto erstellen
oder
Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.