Dopo aver seguito questi corsi, mi sento sicuro nel creare visualizzazioni e dashboard professionali
Shoebur RahmanSpecialista degli acquisti, Giz Bangladesh
Descrizione del corso
Impara a usare Python per l'analisi delle serie temporali
Dai prezzi delle azioni ai dati sul clima, puoi trovare serie temporali in un sacco di campi diversi. Saper gestire bene questi dati sta diventando sempre più importante per chi lavora con i dati. Questo corso ti farà conoscere l'analisi delle serie temporali in Python.Dopo aver capito cos'è una serie temporale, vedrai diversi modelli di serie temporali, da quelli autoregressivi e di media mobile a quelli di cointegrazione. Lungo il percorso, imparerai come stimare, prevedere e simulare questi modelli usando le librerie statistiche di Python.
Vedrai un sacco di esempi di come si usano questi modelli, soprattutto nel mondo della finanza.
Scopri come usare i metodi delle serie temporali
Inizierai con le basi dei dati delle serie temporali e della regressione lineare semplice. Ti occuperai dei concetti di correlazione e autocorrelazione e di come si applicano ai dati delle serie temporali prima di dare un'occhiata ad alcuni semplici modelli di serie temporali, come il rumore bianco e il moto casuale. Poi, scoprirai come si usano i modelli autoregressivi (AR) per i dati delle serie temporali per prevedere i valori attuali e come i modelli a media mobile possono unirsi ai modelli AR per creare modelli ARMA super efficaci.Infine, vedrai come usare i modelli di cointegrazione per modellare due serie insieme prima di dare un'occhiata a un caso di studio reale.
Scopri i modelli e le librerie Python per l'analisi delle serie temporali Alla fine di questo corso, capirai come funziona l'analisi delle serie temporali in Python. Conoscerai alcuni dei modelli, metodi e librerie che possono aiutarti nel processo e saprai come scegliere quelli giusti per la tua analisi.
Questo corso fa parte di un percorso più ampio chiamato "Time Series with Python Track", che offre cinque corsi per aiutarti a diventare un esperto in questa abilità della scienza dei dati.
Prerequisiti
Programma
Struttura del corso
1
Correlazione e Autocorrelazione
In questo capitolo sarai introdotto ai concetti di correlazione e autocorrelazione per le serie temporali. La correlazione descrive la relazione tra due serie temporali, mentre l’autocorrelazione descrive la relazione di una serie con i suoi valori passati.
- Introduzione al corso50 XP
- Un'applicazione "leggera" delle serie temporali100 XP
- Unire serie temporali con date diverse100 XP
- Correlazione tra due serie temporali50 XP
- Correlazione tra azioni e obbligazioni100 XP
- I dischi volanti non sono correlati ai mercati in volo100 XP
- Regressione lineare semplice50 XP
- Osservare l'R-quadro di una regressione100 XP
- Associa la correlazione al risultato della regressione50 XP
- Autocorrelazione50 XP
- Una strategia diffusa basata sull'autocorrelazione100 XP
- I tassi di interesse sono autocorrelati?100 XP
2
Alcune semplici serie temporali
In questo capitolo conoscerai alcuni modelli semplici per serie temporali. Tra questi ci sono il rumore bianco e il random walk.
3
Modelli Autoregressivi (AR)
In questo capitolo imparerai i modelli autoregressivi, o AR, per le serie temporali. Questi modelli usano i valori passati della serie per prevedere il valore corrente.
4
Modelli a Media Mobile (MA) e ARMA
In questo capitolo imparerai un altro tipo di modello: il modello a media mobile, o MA. Vedrai anche come combinare i modelli AR e MA in un potente modello ARMA.
5
Mettere tutto insieme
Questo capitolo ti mostrerà come modellare due serie congiuntamente usando modelli di cointegrazione. Infine chiuderai con un caso di studio su una serie temporale di dati di temperatura di New York City.
Analisi delle serie temporali in Python
Corso
completato
