After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
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
