Build your ultimate AI agent
Opis kursu
Czy kiedykolwiek próbowałeś przewidzieć przyszłość? To, co przed nami, pozostaje tajemnicą, którą zwykle rozwiązuje się dopiero przez czekanie. W tym kursie możesz przestać czekać i zanurzyć się w świat modelowania szeregów czasowych, wykorzystując modele ARIMA w Pythonie do prognozowania przyszłości.
Ułatwiając zrozumienie i zastosowanie tych pojęć, odkryjesz, jak tworzyć prognozy o jeden krok naprzód, prognozy dynamiczne oraz dopasowywać modele ARIMA bezpośrednio do swoich danych.
Ten projekt końcowy łączy wszystko w całość, dając Ci kompleksowe zrozumienie modelowania ARIMA.
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
Program kursu
Plan kursu
1
Modele ARMA
Zacznij od razu i poznaj najważniejsze właściwości szeregów czasowych. Dowiesz się, czym jest stacjonarność i dlaczego ma kluczowe znaczenie dla modeli ARMA. Nauczysz się sprawdzać stacjonarność zarówno wzrokowo, jak i za pomocą standardowego testu statystycznego. Na koniec poznasz podstawową strukturę modeli ARMA – i wykorzystasz ją do wygenerowania danych ARMA oraz dopasowania własnego modelu.
- Wprowadzenie do szeregów czasowych i stacjonarności50 XP
- Eksploracja100 XP
- Podział na zbiór treningowy i testowy100 XP
- Czy to jest stacjonarny szereg?100 XP
- Stacjonaryzacja szeregów czasowych50 XP
- Rozszerzony test Dickeya-Fullera100 XP
- Wyznaczanie różnic100 XP
- Inne przekształcenia100 XP
- Wprowadzenie do modeli AR, MA i ARMA50 XP
- Rząd modelu100 XP
- Generowanie danych ARMA100 XP
- Wstęp do dopasowywania modeli100 XP
2
Dopasowywanie modeli do prognozowania
W tym rozdziale nauczysz się przewidywać, co kryją w sobie twoje dane. Poznasz elegancki pakiet statsmodels i użyjesz go do dopasowania modeli ARMA, ARIMA i ARMAX. Następnie wykorzystasz swoje modele, aby prognozować niepewną przyszłość cen akcji!
3
Najlepsze z najlepszych modeli
W tym rozdziale staniesz się wymagającym twórcą modeli. Nauczysz się identyfikować obiecujące rzędy modeli bezpośrednio na podstawie danych, a następnie – po wytrenowaniu najbardziej perspektywicznych modeli – wybierać najlepszy spośród nich. Poznasz też sprawdzone podejście do organizowania projektów z szeregami czasowymi.
4
Sezonowe modele ARIMA
W tym ostatnim rozdziale nauczysz się używać sezonowych modeli ARIMA do dopasowywania bardziej złożonych danych. Dowiesz się, jak rozkładać dane na składowe sezonowe i niesezonowe, a następnie wykorzystasz wszystkie swoje narzędzia ARIMA w jednym finalnym globalnym wyzwaniu prognozowania.
Modele ARIMA w Pythonie
Kurs
ukończony
