ये कोर्स करने के बाद, मैं पेशेवर विज़ुअलाइज़ेशन और डैशबोर्ड बनाने में आत्मविश्वास महसूस करता हूँ
Shoebur Rahmanप्रोक्योरमेंट विशेषज्ञ, Giz Bangladesh
कोर्स विवरण
टाइम सीरीज़ विश्लेषण के लिए Python का उपयोग करना सीखें
स्टॉक की कीमतों से लेकर जलवायु डेटा तक, आप विभिन्न प्रकार के डोमेन में टाइम सीरीज़ डेटा पा सकते हैं। ऐसे डेटा के साथ प्रभावी ढंग से काम करने का कौशल डेटा वैज्ञानिकों के लिए एक तेजी से महत्वपूर्ण कौशल बनता जा रहा है। यह पाठ्यक्रम आपको Python में समय श्रृंखला विश्लेषण से परिचित कराएगा।टाइम सीरीज़ क्या होती है, यह सीखने के बाद, आप कई टाइम सीरीज़ मॉडलों का अन्वेषण करेंगे, जिनमें ऑटोरेग्रेसीव और मूविंग एवरेज मॉडलों से लेकर कोइंटीग्रेशन मॉडलों तक शामिल हैं। इस दौरान, आप सीखेंगे कि Python में सांख्यिकीय लाइब्रेरीज़ का उपयोग करके इन मॉडलों का अनुमान, पूर्वानुमान और सिमुलेशन कैसे किया जाए।
आप देखेंगे कि इन मॉडलों का उपयोग कैसे किया जाता है, इसके अनेक उदाहरण, विशेष रूप से वित्त में अनुप्रयोगों पर जोर के साथ।
टाइम सीरीज़ विधियों का उपयोग कैसे करें, यह जानें
आप समय श्रृंखला डेटा के मूलभूत सिद्धांतों के साथ-साथ सरल रैखिक प्रतिगमन को कवर करके शुरुआत करेंगे। आप सहसंबंध और स्वसहसंबंध की अवधारणाओं तथा समय-श्रृंखला डेटा पर उनके अनुप्रयोग को समझेंगे, और फिर श्वेत शोर तथा रैंडम वॉक जैसे कुछ सरल समय-श्रृंखला मॉडलों का अन्वेषण करेंगे। इसके बाद, आप यह जानेंगे कि समय श्रृंखला डेटा के लिए ऑटोरेग्रेसीव (AR) मॉडल वर्तमान मानों की भविष्यवाणी करने के लिए कैसे उपयोग किए जाते हैं और मूविंग एवरेज मॉडल AR मॉडल के साथ मिलकर शक्तिशाली ARMA मॉडल कैसे बना सकते हैं।अंत में, आप देखेंगे कि दो श्रृंखलाओं को संयुक्त रूप से मॉडल करने के लिए कॉइंटीग्रेशन मॉडल का उपयोग कैसे किया जाता है, इससे पहले कि आप एक वास्तविक जीवन केस स्टडी देखें।
समय श्रृंखला विश्लेषण के लिए Python मॉडल और लाइब्रेरीज़ का अन्वेषण करें इस पाठ्यक्रम के अंत तक, आप समझ जाएंगे कि Python में समय श्रृंखला विश्लेषण कैसे काम करता है। आप कुछ मॉडलों, विधियों और लाइब्रेरीज़ के बारे में जानेंगे जो इस प्रक्रिया में आपकी सहायता कर सकती हैं, और यह भी जानेंगे कि अपनी स्वयं की विश्लेषण के लिए उपयुक्त विकल्प कैसे चुनें।
यह पाठ्यक्रम व्यापक Time Series with Python Track का हिस्सा है, जो आपको इस डेटा विज्ञान कौशल में निपुण बनने में मदद करने के लिए पाँच पाठ्यक्रमों का एक सेट प्रदान करता है।
पूर्वापेक्षाएँ
पाठ्यक्रम
कोर्स रूपरेखा
1
Correlation और Autocorrelation
इस चैप्टर में आप टाइम सीरीज़ के लिए correlation और autocorrelation के विचारों से परिचित होंगे। Correlation दो टाइम सीरीज़ के बीच संबंध बताता है, जबकि autocorrelation किसी टाइम सीरीज़ का उसके पिछले मानों से संबंध दर्शाता है।
- कोर्स परिचय50 XP
- Time Series का एक "पतला" उपयोग100 XP
- अलग-अलग तारीखों वाली Time Series को मर्ज करना100 XP
- दो टाइम सीरीज़ का Correlation50 XP
- स्टॉक्स और बॉन्ड्स का कोरिलेशन100 XP
- उड़न तश्तरियाँ और उड़ते बाज़ार एक-दूसरे से संबद्ध नहीं हैं100 XP
- सिंपल लीनियर रिग्रेशन50 XP
- Regression के R-Squared को समझना100 XP
- Correlation को Regression आउटपुट से मिलाएँ50 XP
- Autocorrelation50 XP
- Autocorrelation का उपयोग करती एक लोकप्रिय रणनीति100 XP
- क्या ब्याज दरें Autocorrelated होती हैं?100 XP
2
कुछ सरल Time Series
इस चैप्टर में आप कुछ सरल टाइम सीरीज़ मॉडलों के बारे में सीखेंगे। इनमें white noise और random walk शामिल हैं।
3
Autoregressive (AR) मॉडल
इस चैप्टर में आप टाइम सीरीज़ के लिए autoregressive, या AR, मॉडलों के बारे में सीखेंगे। ये मॉडल सीरीज़ के पिछले मानों का उपयोग करके वर्तमान मान का पूर्वानुमान लगाते हैं।
4
Moving Average (MA) और ARMA मॉडल
इस चैप्टर में आप एक और प्रकार के मॉडल, moving average या MA मॉडल, के बारे में सीखेंगे। आप यह भी देखेंगे कि AR और MA मॉडलों को मिलाकर एक शक्तिशाली ARMA मॉडल कैसे बनाया जाता है।
5
सब कुछ साथ में जोड़ना
यह चैप्टर आपको cointegration मॉडलों का उपयोग करके दो सीरीज़ को संयुक्त रूप से मॉडल करना सिखाएगा। इसके बाद आप एक केस स्टडी के साथ समापन करेंगे, जहाँ आप न्यूयॉर्क सिटी के तापमान डेटा की एक टाइम सीरीज़ का अध्ययन करेंगे।
Python में Time Series Analysis
कोर्स
पूर्ण
