Cours
Analyse des séries temporelles en Python
IntermédiaireNiveau de compétence
Actualisé 08/2024
PythonProbability & Statistics4 h17 vidéos59 Exercices4,850 XP69,792Certificat de formation
Créez votre compte gratuitement
Continuer avec GoogleAfficher plus d’optionsou
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 une équipe ?
Essayez pour les entreprisesDescription 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
Corrélation et autocorrélation
Dans ce chapitre, vous serez initié aux notions de corrélation et d’autocorrélation pour les séries temporelles. La corrélation décrit la relation entre deux séries temporelles et l’autocorrélation décrit la relation d’une série avec ses valeurs passées.
2
Quelques séries temporelles simples
Dans ce chapitre, vous découvrirez quelques modèles simples de séries temporelles, notamment le bruit blanc et la marche aléatoire.
3
Modèles autorégressifs (AR)
Dans ce chapitre, vous apprendrez les modèles autorégressifs, ou AR, pour les séries temporelles. Ces modèles utilisent les valeurs passées de la série pour prédire la valeur courante.
4
Moyenne mobile (MA) et modèles ARMA
Dans ce chapitre, vous découvrirez un autre type de modèle : le modèle à moyenne mobile, ou MA. Vous verrez aussi comment combiner les modèles AR et MA pour obtenir un modèle ARMA puissant.
5
Synthèse
Ce chapitre vous montrera comment modéliser conjointement deux séries à l’aide de modèles de cointégration. Vous terminerez par une étude de cas portant sur une série temporelle de températures à New York.
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 performanceS'inscrire maintenant
Rejoignez plus de 19 millions d'utilisateurs et commencez Analyse des séries temporelles en Python dès aujourd'hui !
Créez votre compte gratuitement
Continuer avec GoogleAfficher plus d’optionsou
En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données seront hébergées aux États-Unis.
Apprenez où que vous soyez avec l'application DataCamp
Progressez où que vous soyez grâce à nos cours conçus pour mobile et à nos défis quotidiens de 5 minutes.