După ce am parcurs aceste cursuri, mă simt încrezător să creez vizualizări și tablouri de bord profesionale
Shoebur RahmanSpecialist în achiziții, Giz Bangladesh
Descrierea cursului
Ai încercat vreodată să prezici viitorul? Ce urmează este un mister care, de obicei, se rezolvă doar așteptând. În acest curs, poți să nu mai aștepți și să pătrunzi în lumea modelării seriilor temporale folosind modele ARIMA în Python pentru a prognoza viitorul.
Făcând aceste concepte ușor de înțeles și de aplicat, vei descoperi cum să generezi predicții cu un pas înainte, prognoze dinamice și să ajustezi modele ARIMA direct pe datele tale.
Acest proiect final leagă totul, oferindu-ți o înțelegere cuprinzătoare a modelării ARIMA.
Date din serii temporale
Începe prin a învăța bazele datelor de tip serie temporală, inclusiv conceptul de staționaritate — esențial pentru lucrul cu modelele ARMA. Vei învăța cum să testezi staționaritatea atât vizual, cât și statistic, să generezi date ARMA și să ajustezi modele ARMA pentru a obține o bază solidă.Pachetul Statsmodels
Pe măsură ce avansezi, explorează puternicul pachet Statsmodels pentru ajustarea modelelor ARMA, ARIMA și ARMAX. Vei dobândi experiență practică folosind modelele tale pentru a prezice valori viitoare, precum prețurile acțiunilor.Făcând aceste concepte ușor de înțeles și de aplicat, vei descoperi cum să generezi predicții cu un pas înainte, prognoze dinamice și să ajustezi modele ARIMA direct pe datele tale.
Grafice ACF și PACF
Unul dintre punctele forte este să înveți cum să alegi cel mai bun model folosind graficele ACF și PACF pentru a identifica ordinele de model promițătoare. Vei învăța despre criterii precum AIC și BIC pentru selecția și diagnosticarea modelelor, ajutându-te să-ți perfecționezi modelele până la perfecțiune.Modele SARIMA
Cursul se încheie cu modelele ARIMA sezonale (SARIMA), perfecte pentru a gestiona datele cu modele sezoniere. Vei învăța să descompui datele din seriile temporale în componente sezoniere și nesezoniere și să îți aplici abilitățile ARIMA într-o provocare globală de prognoză.Acest proiect final leagă totul, oferindu-ți o înțelegere cuprinzătoare a modelării ARIMA.
Cerințe prealabile
Programă
Planul cursului
1
Modele ARMA
Intră direct în subiect și descoperă cele mai importante proprietăți ale seriilor de timp. Vei învăța despre staționaritate și de ce este esențială pentru modelele ARMA. Vei învăța cum să verifici staționaritatea vizual, dar și printr-un test statistic standard. La final, vei cunoaște structura de bază a modelelor ARMA și o vei folosi pentru a genera date ARMA și a ajusta un model ARMA.
- Introducere în serii de timp și staționalitate50 XP
- Explorare100 XP
- Împărțirea în seturi de antrenament și de testare100 XP
- Este staționară?100 XP
- Transformarea seriilor de timp în serii staționare50 XP
- Testul Augmented Dickey-Fuller100 XP
- Calculul diferenței100 XP
- Alte transformări100 XP
- Introducere în modelele AR, MA și ARMA50 XP
- Ordinul modelului100 XP
- Generarea datelor ARMA100 XP
- Pregătire pentru ajustare100 XP
2
Predicții pentru viitor
În acest capitol, vei prezice tu însuți ce urmează în datele tale. Vei învăța să folosești pachetul statsmodels pentru a ajusta modele ARMA, ARIMA și ARMAX. Apoi îți vei folosi modelele pentru a prognoza evoluția incertă a prețurilor acțiunilor!
3
Cele mai bune modele
În acest capitol, vei deveni un modelator cu discernământ. Vei învăța să identifici ordinele de model promițătoare direct din date, iar odată ce cele mai bune modele au fost antrenate, vei alege modelul optim din selecția ajustată. Vei descoperi și un cadru eficient pentru structurarea proiectelor tale cu serii de timp.
4
Modele ARIMA sezoniere
În acest capitol final, vei învăța să folosești modele ARIMA sezoniere pentru a lucra cu date mai complexe. Vei descompune datele în componente sezoniere și nesezoniere, apoi vei avea ocazia să aplici toate instrumentele ARIMA într-o ultimă provocare de prognoză la nivel global.
Modele ARIMA în Python
Curs
finalizat
