이 강의들을 수강한 후, 전문적인 시각화와 대시보드를 자신 있게 만들 수 있게 되었습니다
Shoebur Rahman구매 담당자, Giz Bangladesh
강의 설명
미래를 예측해 보신 적이 있나요? 앞으로 어떤 일이 펼쳐질지는 대개 기다려 봐야만 알 수 있는 미스터리입니다. 이 강의에서 더 이상 기다리지 말고 Python으로 ARIMA 모델을 활용한 시계열 모델링에 뛰어들어 미래를 예측해 보세요.
이러한 개념을 쉽게 이해하고 적용하며, 데이터에서 한 단계 앞선 예측과 동적 예측을 생성하고 ARIMA 모델을 직접 적합하는 방법을 알아봅니다.
이 최종 프로젝트를 통해 지금까지 배운 내용을 종합하고 ARIMA 모델링을 깊이 있게 이해할 수 있습니다.
시계열 데이터
시계열 데이터의 기본 개념부터 학습하고, ARMA 모델을 다루는 데 필수적인 정상성 개념도 알아보세요. 정상성을 시각적·통계적으로 검정하고, ARMA 데이터를 생성하며, 탄탄한 기초를 다질 수 있도록 ARMA 모델을 적합하는 방법을 배우게 됩니다.Statsmodels 패키지
학습을 이어가며 ARMA, ARIMA, ARMAX 모델을 적합하는 데 유용한 Statsmodels 패키지도 살펴봅니다. 모델을 활용해 주가와 같은 미래 값을 예측하는 실무 경험을 쌓을 수 있습니다.이러한 개념을 쉽게 이해하고 적용하며, 데이터에서 한 단계 앞선 예측과 동적 예측을 생성하고 ARIMA 모델을 직접 적합하는 방법을 알아봅니다.
ACF 및 PACF 그래프
주요 학습 내용 중 하나는 ACF 및 PACF 그래프를 활용해 가능성 높은 모델 차수를 파악하고 최적의 모델을 선택하는 방법입니다. 모델 선택과 진단에 활용되는 AIC, BIC 같은 기준을 배우고, 모델을 완성도 높게 다듬어 보세요.SARIMA 모델
강의는 계절적 패턴이 있는 데이터를 다루기에 적합한 계절형 ARIMA(SARIMA) 모델을 끝으로 마무리됩니다. 시계열 데이터를 계절 및 비계절 구성 요소로 분해하는 방법을 배우고, 글로벌 예측 챌린지에서 ARIMA 기술을 활용해 보세요.이 최종 프로젝트를 통해 지금까지 배운 내용을 종합하고 ARIMA 모델링을 깊이 있게 이해할 수 있습니다.
선수 과목
커리큘럼
강의 개요
1
ARMA 모델
가장 중요한 시계열의 성질부터 바로 시작해 보겠습니다. 정상성의 개념과 이것이 ARMA 모델에 왜 중요한지 배웁니다. 눈으로 확인하는 방법과 표준 통계 검정으로 정상성을 점검하는 법을 익힙니다. 마지막으로 ARMA 모델의 기본 구조를 배우고 이를 이용해 ARMA 데이터를 생성하고 ARMA 모델을 적합해 봅니다.
2
미래 적합화하기
이번 장에서는 여러분의 데이터로 앞으로를 예측해 봅니다. 세련된 statsmodels 패키지를 사용해 ARMA, ARIMA, ARMAX 모델을 적합하는 법을 배우고, 이어서 이 모델들로 불확실한 주가의 미래를 예측해 보겠습니다!
3
최적 중의 최적 모델
이 장에서는 안목 있는 모델러로 거듭납니다. 데이터만으로 유망한 모델 차수를 파악하는 법을 배우고, 여러 유망한 모델을 학습한 뒤에는 그중 최적의 모델을 선택하는 방법을 익힙니다. 또한 시계열 프로젝트를 체계적으로 진행할 수 있는 훌륭한 프레임워크도 함께 살펴봅니다.
4
계절형 ARIMA 모델
마지막 장에서는 계절형 ARIMA 모델로 더 복잡한 데이터를 적합하는 방법을 배웁니다. 데이터를 계절성과 비계절성 요소로 분해하는 법을 익히고, 지금까지의 ARIMA 도구들을 모두 활용해 마지막 글로벌 예측 과제에 도전합니다.
Python으로 배우는 ARIMA 모델
강의
완료
