Corso
Modelli ARIMA in Python
AvanzatoLivello di competenza
Aggiornato 11/2023Inizia Il Corso Gratis
Incluso conPremium or Team
PythonMachine Learning4 h15 video57 Esercizi4,850 XP24,503Attestato di conseguimento
Crea il tuo account gratuito
o
Continuando, accetti i nostri Termini di utilizzo, la nostra Informativa sulla privacy e che i tuoi dati siano conservati negli Stati Uniti.Preferito dagli studenti di migliaia di aziende
Vuoi formare 2 o più persone?
Prova DataCamp for BusinessDescrizione del corso
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
Supervised Learning with scikit-learn1
ARMA Models
Dive straight in and learn about the most important properties of time series. You'll learn about stationarity and how this is important for ARMA models. You'll learn how to test for stationarity by eye and with a standard statistical test. Finally, you'll learn the basic structure of ARMA models and use this to generate some ARMA data and fit an ARMA model.
2
Fitting the Future
What lies ahead in this chapter is you predicting what lies ahead in your data. You'll learn how to use the elegant statsmodels package to fit ARMA, ARIMA and ARMAX models. Then you'll use your models to predict the uncertain future of stock prices!
3
The Best of the Best Models
In this chapter, you will become a modeler of discerning taste. You'll learn how to identify promising model orders from the data itself, then, once the most promising models have been trained, you'll learn how to choose the best model from this fitted selection. You'll also learn a great framework for structuring your time series projects.
4
Seasonal ARIMA Models
In this final chapter, you'll learn how to use seasonal ARIMA models to fit more complex data. You'll learn how to decompose this data into seasonal and non-seasonal parts and then you'll get the chance to utilize all your ARIMA tools on one last global forecast challenge.
Modelli ARIMA in Python
Corso completato
Ottieni Attestato di conseguimento
Aggiungi questa certificazione al tuo profilo LinkedIn, al curriculum o al CVCondividila sui social e nella valutazione delle tue performance
Incluso conPremium or Team
Iscriviti OraUnisciti a oltre 19 milioni di studenti e inizia Modelli ARIMA in Python oggi!
Crea il tuo account gratuito
o
Continuando, accetti i nostri Termini di utilizzo, la nostra Informativa sulla privacy e che i tuoi dati siano conservati negli Stati Uniti.