After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrizione del corso
Hai mai provato a prevedere il futuro? Quello che ci aspetta è un mistero che di solito si risolve solo aspettando. In questo corso puoi smettere di aspettare e buttarti nel mondo della modellazione delle serie temporali usando i modelli ARIMA in Python per prevedere il futuro.
Rendendo questi concetti facili da capire e usare, scoprirai come fare previsioni un passo avanti, previsioni dinamiche e adattare i modelli ARIMA direttamente ai tuoi dati.
Questo progetto finale mette insieme tutto quello che hai imparato, dandoti una comprensione completa della modellazione ARIMA.
Dati di serie temporali
Inizia imparando le basi dei dati delle serie temporali, compreso il concetto di stazionarietà, fondamentale per lavorare con i modelli ARMA. Imparerai come verificare la stazionarietà sia visivamente che statisticamente, generare dati ARMA e adattare modelli ARMA per avere una base solida.Pacchetto Statsmodels
Man mano che vai avanti, dai un'occhiata al pacchetto Statsmodels per adattare i modelli ARMA, ARIMA e ARMAX. Acquisirai esperienza pratica nell'uso dei tuoi modelli per prevedere valori futuri come i prezzi delle azioni.Rendendo questi concetti facili da capire e usare, scoprirai come fare previsioni un passo avanti, previsioni dinamiche e adattare i modelli ARIMA direttamente ai tuoi dati.
Grafici ACF e PACF
Uno dei punti salienti è imparare a scegliere il modello migliore usando i grafici ACF e PACF per trovare gli ordini di modello più promettenti. Imparerai criteri come AIC e BIC per la selezione e la diagnostica dei modelli, che ti aiuteranno a perfezionare i tuoi modelli..Modelli SARIMA
Il corso si conclude con i modelli ARIMA stagionali (SARIMA), perfetti per gestire dati con andamenti stagionali. Imparerai a scomporre i dati delle serie temporali in componenti stagionali e non stagionali e a usare le tue competenze ARIMA in una sfida di previsione globale.Questo progetto finale mette insieme tutto quello che hai imparato, dandoti una comprensione completa della modellazione ARIMA.
Prerequisiti
Curriculum
Programma del corso
1
Modelli ARMA
Parti subito e scopri le proprietà fondamentali delle serie temporali. Imparerai cos’è la stazionarietà e perché è importante per i modelli ARMA. Vedrai come testare la stazionarietà a colpo d’occhio e con un test statistico standard. Infine, conoscerai la struttura di base dei modelli ARMA e la userai per generare dati ARMA e adattare un modello ARMA.
- Introduzione alle serie temporali e alla stazionarietà50 XP
- Esplorazione100 XP
- Suddivisione train-test100 XP
- È stazionaria?100 XP
- Rendere stazionarie le serie temporali50 XP
- Dickey-Fuller aumentato100 XP
- Calcolare le differenze100 XP
- Altre trasformazioni100 XP
- Introduzione ai modelli AR, MA e ARMA50 XP
- Ordine del modello100 XP
- Generare dati ARMA100 XP
- Prima di adattare il modello100 XP
2
Adattare il futuro
Ciò che ti attende in questo capitolo è prevedere ciò che attende i tuoi dati. Imparerai a usare l’elegante pacchetto statsmodels per adattare modelli ARMA, ARIMA e ARMAX. Poi userai i tuoi modelli per prevedere il futuro incerto dei prezzi azionari!
3
Il meglio dei migliori modelli
In questo capitolo diventerai un modellatore dal gusto raffinato. Imparerai a individuare ordini di modello promettenti a partire dai dati stessi e, una volta addestrati i modelli più promettenti, imparerai a scegliere il migliore tra quelli adattati. Imparerai anche un ottimo framework per strutturare i tuoi progetti di serie temporali.
4
Modelli ARIMA stagionali
In questo capitolo finale imparerai a usare modelli ARIMA stagionali per adattare dati più complessi. Imparerai a scomporre questi dati in componenti stagionali e non stagionali e poi avrai l’occasione di mettere in campo tutti i tuoi strumenti ARIMA in un’ultima sfida di previsione globale.
Modelli ARIMA in Python
Corso
completato
