Corso
Analisi delle serie temporali in Python
IntermedioLivello di competenza
Aggiornato 08/2024Inizia Il Corso Gratis
Incluso conPremium or Team
PythonProbability & Statistics4 h17 video59 Esercizi4,850 XP68,820Attestato 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
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
Manipulating Time Series Data in Python1
Correlation and Autocorrelation
In this chapter you'll be introduced to the ideas of correlation and autocorrelation for time series. Correlation describes the relationship between two time series and autocorrelation describes the relationship of a time series with its past values.
2
Some Simple Time Series
In this chapter you'll learn about some simple time series models. These include white noise and a random walk.
3
Autoregressive (AR) Models
In this chapter you'll learn about autoregressive, or AR, models for time series. These models use past values of the series to predict the current value.
4
Moving Average (MA) and ARMA Models
In this chapter you'll learn about another kind of model, the moving average, or MA, model. You will also see how to combine AR and MA models into a powerful ARMA model.
5
Putting It All Together
This chapter will show you how to model two series jointly using cointegration models. Then you'll wrap up with a case study where you look at a time series of temperature data from New York City.
Analisi delle serie temporali 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 Analisi delle serie temporali 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.