ये कोर्स करने के बाद, मैं पेशेवर विज़ुअलाइज़ेशन और डैशबोर्ड बनाने में आत्मविश्वास महसूस करता हूँ
Shoebur Rahmanप्रोक्योरमेंट विशेषज्ञ, Giz Bangladesh
कोर्स विवरण
क्या आपने कभी भविष्य का अनुमान लगाने की कोशिश की है? आगे क्या है, यह एक रहस्य है, जिसका समाधान आमतौर पर केवल प्रतीक्षा करने से ही होता है। इस पाठ्यक्रम में, आप इंतज़ार करना बंद कर सकते हैं और Python में ARIMA मॉडलों का उपयोग करके समय श्रृंखला मॉडलिंग की दुनिया में उतर सकते हैं ताकि भविष्य का पूर्वानुमान लगाया जा सके।
इन अवधारणाओं को समझना और लागू करना आसान बनाते हुए, आप एक-चरण-आगे पूर्वानुमान, गतिशील पूर्वानुमान, और ARIMA मॉडल को सीधे अपने डेटा पर फिट करना सीखेंगे।
यह अंतिम प्रोजेक्ट सब कुछ एक साथ जोड़ता है, जिससे आपको ARIMA मॉडलिंग की व्यापक समझ मिलती है।
समय श्रृंखला डेटा
समय श्रृंखला डेटा की मूल बातें सीखकर शुरुआत करें, जिसमें स्थिरता की अवधारणा भी शामिल है—जो ARMA मॉडलों के साथ काम करने के लिए अत्यंत महत्वपूर्ण है। आप दृश्य और सांख्यिकीय दोनों तरीकों से स्थिरता की जाँच करना, ARMA डेटा जनरेट करना, और एक मजबूत आधार बनाने के लिए ARMA मॉडल फिट करना सीखेंगे।Statsmodels पैकेज
जैसे-जैसे आप आगे बढ़ते हैं, ARMA, ARIMA, और ARMAX मॉडल फिट करने के लिए शक्तिशाली Statsmodels पैकेज का अन्वेषण करें। आप अपने मॉडलों का उपयोग करके स्टॉक की कीमतों जैसी भविष्य की मानों की भविष्यवाणी करने का व्यावहारिक अनुभव प्राप्त करेंगे।इन अवधारणाओं को समझना और लागू करना आसान बनाते हुए, आप एक-चरण-आगे पूर्वानुमान, गतिशील पूर्वानुमान, और ARIMA मॉडल को सीधे अपने डेटा पर फिट करना सीखेंगे।
ACF और PACF प्लॉट्स
मुख्य आकर्षणों में से एक है ACF और PACF प्लॉट्स का उपयोग करके सबसे अच्छा मॉडल चुनना सीखना, ताकि आशाजनक मॉडल ऑर्डर्स की पहचान की जा सके। आप मॉडल चयन और डायग्नोस्टिक्स के लिए AIC और BIC जैसे मानदंडों के बारे में जानेंगे, जिससे आप अपने मॉडलों को पूर्णता तक परिष्कृत कर सकेंगे.SARIMA मॉडल
यह पाठ्यक्रम मौसमी ARIMA (SARIMA) मॉडलों के साथ समाप्त होता है, जो मौसमी पैटर्न वाले डेटा को संभालने के लिए बिल्कुल उपयुक्त हैं। आप समय श्रृंखला डेटा को मौसमी और गैर-मौसमी घटकों में विभाजित करना सीखेंगे और एक वैश्विक पूर्वानुमान चुनौती में अपने ARIMA कौशल लागू करेंगे।यह अंतिम प्रोजेक्ट सब कुछ एक साथ जोड़ता है, जिससे आपको ARIMA मॉडलिंग की व्यापक समझ मिलती है।
पूर्वापेक्षाएँ
पाठ्यक्रम
कोर्स रूपरेखा
1
ARMA Models
सीधे शुरुआत करें और टाइम सीरीज़ की सबसे अहम विशेषताओं के बारे में जानें। आप स्टेशनैरिटी के बारे में सीखेंगे और समझेंगे कि यह ARMA मॉडल्स के लिए क्यों ज़रूरी है। आप स्टेशनैरिटी को आँख से जाँचने और एक मानक सांख्यिकीय टेस्ट से जाँचने के तरीके सीखेंगे। अंत में, आप ARMA मॉडल्स की बेसिक संरचना सीखेंगे और उससे कुछ ARMA डेटा जेनरेट करके एक ARMA मॉडल फिट करेंगे।
- टाइम सीरीज़ और स्थिरता का परिचय50 XP
- एक्सप्लोरेशन100 XP
- Train-test splits100 XP
- क्या यह stationary है100 XP
- टाइम सीरीज़ को स्थिर बनाना50 XP
- Augmented Dicky-Fuller100 XP
- अंतर लेना (Taking the difference)100 XP
- अन्य ट्रांसफॉर्म्स100 XP
- AR, MA और ARMA मॉडलों का परिचय50 XP
- मॉडल ऑर्डर100 XP
- ARMA डेटा जनरेट करना100 XP
- फिटिंग की शुरुआत100 XP
2
Fitting the Future
इस अध्याय में आगे जो है, वह है अपने डेटा के भविष्य की भविष्यवाणी करना। आप सीखेंगे कि एलीगेंट statsmodels पैकेज का उपयोग करके ARMA, ARIMA और ARMAX मॉडल्स कैसे फिट करें। फिर आप अपने मॉडल्स का उपयोग करके स्टॉक प्राइस के अनिश्चित भविष्य का फ़ोरकास्ट करेंगे!
3
The Best of the Best Models
इस अध्याय में, आप एक समझदार मॉडलर बनेंगे। आप सीखेंगे कि खुद डेटा से संभावित मॉडल ऑर्डर कैसे पहचाने जाएँ। फिर, जब सबसे आशाजनक मॉडल्स ट्रेन हो जाएँ, तो आप सीखेंगे कि फिट किए गए विकल्पों में से सर्वश्रेष्ठ मॉडल कैसे चुनें। आप टाइम सीरीज़ प्रोजेक्ट्स को संरचित करने के लिए एक बेहतरीन फ्रेमवर्क भी सीखेंगे।
4
Seasonal ARIMA Models
अंतिम अध्याय में, आप सीज़नल ARIMA मॉडल्स का उपयोग करके अधिक जटिल डेटा फिट करना सीखेंगे। आप यह डेटा सीज़नल और नॉन-सीज़नल भागों में डीकंपोज़ करना सीखेंगे और फिर आपको अपने सभी ARIMA टूल्स का उपयोग करके एक अंतिम ग्लोबल फ़ोरकास्ट चैलेंज हल करने का मौका मिलेगा।
Python में ARIMA Models
कोर्स
पूर्ण
