Kurs
Modele ARIMA w Pythonie
ZaawansowanyPoziom umiejętności
Zaktualizowano 11.2023
PythonMachine Learning4 godz.15 filmów57 Ćwiczeń4,850 XP24,862Zaświadczenie o ukończeniu
Utwórz bezpłatne konto
Kontynuuj z GooglePokaż więcej opcjilub
Kontynuując, akceptujesz nasze Warunki korzystania, naszą Politykę prywatności oraz to, że Twoje dane są przechowywane w USA.
Uwielbiany przez kursantów z tysięcy firm
Szkolisz zespół?
Wypróbuj dla firmOpis kursu
Dane szeregów czasowych
Zacznij od poznania podstaw danych szeregów czasowych, w tym pojęcia stacjonarności — kluczowego przy pracy z modelami ARMA. Nauczysz się sprawdzać stacjonarność zarówno wizualnie, jak i statystycznie, generować dane ARMA oraz dopasowywać modele ARMA, aby zbudować solidne podstawy.Pakiet Statsmodels
W miarę postępów poznasz potężny pakiet Statsmodels do dopasowywania modeli ARMA, ARIMA i ARMAX. Zdobędziesz praktyczne doświadczenie w wykorzystywaniu modeli do przewidywania przyszłych wartości, takich jak ceny akcji.Ułatwiając zrozumienie i zastosowanie tych pojęć, odkryjesz, jak tworzyć prognozy o jeden krok naprzód, prognozy dynamiczne oraz dopasowywać modele ARIMA bezpośrednio do swoich danych.
Wykresy ACF i PACF
Jednym z najciekawszych elementów jest nauka wyboru najlepszego modelu za pomocą wykresów ACF i PACF, aby identyfikować obiecujące rzędy modelu. Nauczysz się kryteriów takich jak AIC i BIC do wyboru modeli oraz diagnostyki, co pomoże Ci dopracować modele do perfekcji.Modele SARIMA
Kurs kończy się modelami sezonowymi ARIMA (SARIMA), idealnymi do pracy z danymi o sezonowych wzorcach. Nauczysz się dekomponować dane szeregów czasowych na komponenty sezonowe i niesezonowe oraz wykorzystasz swoje umiejętności ARIMA w globalnym wyzwaniu prognostycznym.Ten projekt końcowy łączy wszystko w całość, dając Ci kompleksowe zrozumienie modelowania ARIMA.
Wymagania wstępne
Supervised Learning with scikit-learn1
ARMA Models
Dive straight in and learn about the most important properties of time series. You'll learn about stationarity and how this is important for ARMA models. You'll learn how to test for stationarity by eye and with a standard statistical test. Finally, you'll learn the basic structure of ARMA models and use this to generate some ARMA data and fit an ARMA model.
2
Fitting the Future
What lies ahead in this chapter is you predicting what lies ahead in your data. You'll learn how to use the elegant statsmodels package to fit ARMA, ARIMA and ARMAX models. Then you'll use your models to predict the uncertain future of stock prices!
3
The Best of the Best Models
In this chapter, you will become a modeler of discerning taste. You'll learn how to identify promising model orders from the data itself, then, once the most promising models have been trained, you'll learn how to choose the best model from this fitted selection. You'll also learn a great framework for structuring your time series projects.
4
Seasonal ARIMA Models
In this final chapter, you'll learn how to use seasonal ARIMA models to fit more complex data. You'll learn how to decompose this data into seasonal and non-seasonal parts and then you'll get the chance to utilize all your ARIMA tools on one last global forecast challenge.
Modele ARIMA w Pythonie
Kurs ukończony
Zdobądź zaświadczenie o ukończeniu
Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysuUdostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz
Dołącz do ponad 19 milionów kursantów i zacznij Modele ARIMA w Pythonie już dziś!
Utwórz bezpłatne konto
Kontynuuj z GooglePokaż więcej opcjilub
Kontynuując, akceptujesz nasze Warunki korzystania, naszą Politykę prywatności oraz to, że Twoje dane są przechowywane w USA.
Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych
Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.