Cours
Analyse des séries temporelles en Python
IntermédiaireNiveau de compétence
Actualisé 08/2024PythonProbability & Statistics4 h17 vidéos59 Exercices4,850 XP68,804Certificat de réussite.
Créez votre compte gratuit
ou
En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données seront hébergées aux États-Unis.Apprécié par des utilisateurs provenant de milliers d'entreprises
Former 2 personnes ou plus ?
Essayez DataCamp for BusinessDescription du cours
Apprenez à utiliser Python pour l'analyse de séries chronologiques
Des cours boursiers aux données climatiques, vous pouvez trouver des données chronologiques dans une grande variété de domaines. Posséder les compétences nécessaires pour travailler efficacement avec ce type de données est de plus en plus important pour les scientifiques des données. Ce cours vous initiera à l'analyse des séries chronologiques en Python.Après avoir appris ce qu'est une série chronologique, vous explorerez plusieurs modèles de séries chronologiques, allant des modèles autorégressifs et à moyenne mobile aux modèles de cointégration. Au cours de cette formation, vous apprendrez à estimer, prévoir et simuler ces modèles à l'aide des bibliothèques statistiques de Python.
Vous découvrirez de nombreux exemples d'utilisation de ces modèles, avec un accent particulier sur les applications dans le domaine financier.
Découvrez comment utiliser les méthodes de séries chronologiques
Vous commencerez par aborder les principes fondamentaux des données chronologiques, ainsi que la régression linéaire simple. Vous aborderez les concepts de corrélation et d'autocorrélation et leur application aux données chronologiques avant d'explorer quelques modèles chronologiques simples, tels que le bruit blanc et la marche aléatoire. Ensuite, vous découvrirez comment les modèles autorégressifs (AR) sont utilisés pour les données chronologiques afin de prédire les valeurs actuelles et comment les modèles à moyenne mobile peuvent être combinés aux modèles AR pour produire de puissants modèles ARMA.Enfin, vous découvrirez comment utiliser les modèles de cointégration pour modéliser deux séries conjointement avant d'examiner une étude de cas réelle.
Découvrez les modèles et bibliothèques Python pour l'analyse des séries chronologiques À la fin de ce cours, vous comprendrez comment fonctionne l'analyse des séries chronologiques en Python. Vous découvrirez certains des modèles, méthodes et bibliothèques qui peuvent vous aider dans ce processus et saurez comment choisir ceux qui conviennent le mieux à votre propre analyse.
Ce cours fait partie d'une série plus large intitulée « Time Series with Python cursus », qui comprend cinq cours destinés à vous aider à maîtriser cette compétence en science des données.
Prérequis
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.
Analyse des séries temporelles en Python
Cours terminé
Obtenez un certificat de réussite
Ajoutez cette certification à votre profil LinkedIn, à votre CV ou à votre portfolioPartagez-la sur les réseaux sociaux et dans votre évaluation de performance
Inclus avecPremium or Teams
S'inscrire MaintenantRejoignez plus de 19 millions d'utilisateurs et commencez Analyse des séries temporelles en Python dès aujourd'hui !
Créez votre compte gratuit
ou
En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données seront hébergées aux États-Unis.