Cursus
Tijdreeksanalyse in Python
GemiddeldVaardigheidsniveau
Bijgewerkt 08-2024Start Cursus Kosteloos
Inbegrepen bijPremium or Teams
PythonProbability & Statistics4 u17 videos59 Opdrachten4,850 XP68,804Prestatieverklaring
Maak je gratis account aan
of
Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.Geliefd bij leerlingen van duizenden bedrijven
Wil je 2 of meer mensen trainen?
Probeer DataCamp for BusinessCursusbeschrijving
Leer hoe je Python kunt gebruiken voor tijdreeksanalyse
Van aandelenkoersen tot klimaatgegevens, je kunt tijdreeksgegevens vinden in allerlei verschillende domeinen. De vaardigheden hebben om effectief met dergelijke gegevens te werken, wordt steeds belangrijker voor datawetenschappers. Deze cursus laat je kennismaken met tijdreeksanalyse in Python.Nadat je hebt geleerd wat een tijdreeks is, ga je verschillende tijdreeksmodellen bekijken, van autoregressieve en voortschrijdende gemiddelde modellen tot co-integratiemodellen. Onderweg leer je hoe je deze modellen kunt schatten, voorspellen en simuleren met behulp van statistische bibliotheken in Python.
Je ziet veel voorbeelden van hoe deze modellen worden gebruikt, vooral in de financiële wereld.
Ontdek hoe je tijdreeksmethoden kunt gebruiken
Je begint met de basis van tijdreeksgegevens en simpele lineaire regressie. Je leert over correlatie en autocorrelatie en hoe die werken met tijdreeksgegevens, voordat je een paar simpele tijdreeksmodellen bekijkt, zoals witte ruis en een random walk. Vervolgens ga je kijken hoe autoregressieve (AR) modellen worden gebruikt voor tijdreeksgegevens om huidige waarden te voorspellen en hoe modellen met voortschrijdend gemiddelden kunnen worden gecombineerd met AR-modellen om krachtige ARMA-modellen te maken.Tot slot ga je kijken hoe je co-integratiemodellen kunt gebruiken om twee reeksen samen te modelleren, voordat je een praktijkvoorbeeld bekijkt.
Ontdek Python-modellen en -bibliotheken voor tijdreeksanalyse Aan het einde van deze cursus snap je hoe tijdreeksanalyse in Python werkt. Je leert over een paar modellen, methodes en bibliotheken die je kunnen helpen bij het proces en je leert hoe je de juiste kunt kiezen voor je eigen analyse.
Deze cursus is onderdeel van een grotere reeks cursussen over tijdreeksen met Python, die uit vijf cursussen bestaat om je te helpen deze datawetenschappelijke vaardigheid onder de knie te krijgen.
Vereisten
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.
Tijdreeksanalyse in Python
Cursus voltooid
Verdien een prestatieverklaring
Voeg deze referentie toe aan je LinkedIn-profiel, cv of curriculum vitaeDeel het op sociale media en in je functioneringsgesprek
Inbegrepen bijPremium or Teams
Schrijf Je Nu inSluit je aan bij meer dan 19 miljoen leerlingen en start vandaag nog met Tijdreeksanalyse in Python!
Maak je gratis account aan
of
Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.