Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Avez-vous déjà tenté de prédire l'avenir ? Ce qui nous attend est un mystère qui ne se résout généralement qu'en attendant. Dans ce cours, vous pouvez cesser d'attendre et vous plonger dans le monde de la modélisation de séries chronologiques à l'aide de modèles ARIMA en Python pour prévoir l'avenir.
En rendant ces concepts faciles à comprendre et à appliquer, vous découvrirez comment générer des prévisions à un pas d'avance, des prévisions dynamiques et des modèles ARIMA adaptés directement à vos données.
Ce projet final rassemble tous les éléments, vous permettant ainsi d'acquérir une compréhension approfondie de la modélisation ARIMA.
Données de séries temporelles
Commencez par acquérir les bases des données chronologiques, notamment le concept de stationnarité, essentiel pour travailler avec les modèles ARMA. Vous apprendrez à tester la stationnarité à la fois visuellement et statistiquement, à générer des données ARMA et à ajuster des modèles ARMA afin d'acquérir des bases solides.Paquet Statsmodels
Au fur et à mesure de votre progression, nous vous invitons à explorer le puissant package Statsmodels pour l'ajustement des modèles ARMA, ARIMA et ARMAX. Vous acquerrez une expérience pratique en utilisant vos modèles pour prédire des valeurs futures telles que les cours boursiers.En rendant ces concepts faciles à comprendre et à appliquer, vous découvrirez comment générer des prévisions à un pas d'avance, des prévisions dynamiques et des modèles ARIMA adaptés directement à vos données.
Graphiques ACF et PACF
L'un des points forts consiste à apprendre à sélectionner le meilleur modèle à l'aide des graphiques ACF et PACF afin d'identifier les ordres de modèle prometteurs. Vous découvrirez des critères tels que l'AIC et le BIC pour la sélection et le diagnostic de modèles, ce qui vous aidera à perfectionner vos modèles..Modèles SARIMA
Le cours se termine par les modèles ARIMA saisonniers (SARIMA), qui sont particulièrement adaptés au traitement des données présentant des variations saisonnières. Vous apprendrez à décomposer des données chronologiques en composantes saisonnières et non saisonnières et à appliquer vos compétences ARIMA dans le cadre d'un défi de prévision mondiale.Ce projet final rassemble tous les éléments, vous permettant ainsi d'acquérir une compréhension approfondie de la modélisation ARIMA.
Prérequis
Programme de formation
Plan du cours
1
Modèles ARMA
Plongez directement au cœur du sujet et découvrez les propriétés essentielles des séries temporelles. Vous verrez ce qu’est la stationnarité et pourquoi elle est importante pour les modèles ARMA. Vous apprendrez à tester la stationnarité à l’œil et avec un test statistique standard. Enfin, vous étudierez la structure de base des modèles ARMA, générerez des données ARMA et ajusterez un modèle ARMA.
- Introduction aux séries temporelles et à la stationnarité50 XP
- Exploration100 XP
- Découper en ensembles d’entraînement et de test100 XP
- Est-elle stationnaire100 XP
- Rendre les séries temporelles stationnaires50 XP
- Dickey-Fuller augmenté100 XP
- Prendre la différence100 XP
- Autres transformations100 XP
- Introduction aux modèles AR, MA et ARMA50 XP
- Ordre du modèle100 XP
- Générer des données ARMA100 XP
- Préambule à l’ajustement100 XP
2
Ajuster l’avenir
Dans ce chapitre, c’est à vous de prévoir ce qui attend vos données. Vous apprendrez à utiliser l’élégant package statsmodels pour ajuster des modèles ARMA, ARIMA et ARMAX. Ensuite, vous utiliserez vos modèles pour prédire l’avenir incertain des cours boursiers !
3
Les meilleurs des meilleurs modèles
Dans ce chapitre, vous deviendrez un modélisateur au jugement affûté. Vous apprendrez à identifier des ordres de modèles prometteurs à partir des données elles-mêmes, puis, une fois les meilleurs modèles entraînés, vous verrez comment choisir le modèle optimal parmi cette sélection ajustée. Vous découvrirez aussi un excellent cadre pour structurer vos projets de séries temporelles.
4
Modèles ARIMA saisonniers
Dans ce dernier chapitre, vous apprendrez à utiliser des modèles ARIMA saisonniers pour ajuster des données plus complexes. Vous verrez comment décomposer ces données en composantes saisonnières et non saisonnières, puis vous aurez l’occasion de mobiliser tous vos outils ARIMA dans un ultime défi de prévision à l’échelle mondiale.
Modèles ARIMA en Python
Cours
terminé
