Corso
Modelli ARIMA in Python
AvanzatoLivello di competenza
Aggiornato 11/2023
PythonMachine Learning4 h15 video57 Esercizi4,850 XP24,880Attestato di conseguimento
Crea il tuo account gratuito
Continua con GoogleMostra più opzionio
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
Formare un team?
Prova per il 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
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.
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
Ottieni Attestato di conseguimento
Aggiungi questa certificazione al tuo profilo LinkedIn, al curriculum o al CVCondividila sui social e nella valutazione delle tue performanceIscriviti ora
Unisciti a oltre 19 milioni di studenti e inizia Modelli ARIMA in Python oggi!
Crea il tuo account gratuito
Continua con GoogleMostra più opzionio
Continuando, accetti i nostri Termini di utilizzo, la nostra Informativa sulla privacy e che i tuoi dati siano conservati negli Stati Uniti.
Aumenta le tue competenze sui dati con l'app di DataCamp
Avanza ovunque ti trovi con i nostri corsi per dispositivi mobili e le nostre sfide di programmazione quotidiane da 5 minuti.