After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrierea cursului
Învață cum să folosești Python pentru analiza seriilor temporale
De la prețurile acțiunilor până la datele climatice, poți găsi date de tip serie temporală într-o gamă largă de domenii. A avea abilitățile necesare pentru a lucra eficient cu astfel de date este o competență din ce în ce mai importantă pentru data scientists. Acest curs vă va introduce în analiza seriilor temporale în Python.După ce vei învăța ce este o serie temporală, vei explora mai multe modele de serii temporale, de la modele autoregresive și de medie mobilă până la modele de cointegrare. Pe parcurs, vei învăța cum să estimezi, să faci previziuni și să simulezi aceste modele folosind biblioteci statistice în Python.
Veți vedea numeroase exemple despre modul în care sunt utilizate aceste modele, cu un accent deosebit pe aplicațiile din finanțe.
Descoperă cum să folosești metodele pentru serii temporale
Vei începe prin a acoperi fundamentele datelor de tip serie temporală, precum și regresia liniară simplă. Vei acoperi conceptele de corelație și autocorelație și modul în care se aplică la datele de tip serie temporală, înainte de a explora câteva modele simple de serii temporale, precum zgomotul alb și o plimbare aleatorie. În continuare, vei explora cum modelele autoregresive (AR) sunt folosite pentru datele de serie temporală pentru a prezice valorile curente și cum modelele de medie mobilă se pot combina cu modelele AR pentru a produce modele ARMA puternice.În cele din urmă, vei vedea cum să folosești modelele de cointegrare pentru a modela împreună două serii, înainte de a analiza un studiu de caz din viața reală.
Explorează modelele și bibliotecile Python pentru analiza seriilor temporale La finalul acestui curs, vei înțelege cum funcționează analiza seriilor temporale în Python. Vei cunoaște unele dintre modelele, metodele și bibliotecile care te pot ajuta în acest proces și vei ști cum să le alegi pe cele potrivite pentru propria ta analiză.
Acest curs face parte dintr-un traseu mai amplu Time Series with Python, care îți oferă un set de cinci cursuri pentru a te ajuta să stăpânești această abilitate de data science.
Cerințe prealabile
Curriculum
Structura cursului
1
Corelație și autocorelație
În acest capitol vei fi introdus în conceptele de corelație și autocorelație pentru seriile de timp. Corelația descrie relația dintre două serii de timp, iar autocorelația descrie relația unei serii de timp cu valorile sale anterioare.
- Introducere în curs50 XP
- O aplicație „slabă" a seriilor de timp100 XP
- Îmbinarea seriilor de timp cu date diferite100 XP
- Corelația dintre două serii de timp50 XP
- Corelația dintre acțiuni și obligațiuni100 XP
- Farfuriile Zburătoare Nu Sunt Corelate cu Piețele în Creștere100 XP
- Regresie liniară simplă50 XP
- Analiza R-Squared al unei regresii100 XP
- Asociază Corelația cu Rezultatul Regresiei50 XP
- Autocorelație50 XP
- O Strategie Populară Bazată pe Autocorelare100 XP
- Ratele dobânzilor sunt autocorrelate?100 XP
2
Modele simple de serii de timp
În acest capitol vei învăța despre câteva modele simple de serii de timp, printre care zgomotul alb și mersul aleator.
3
Modele autoregresive (AR)
În acest capitol vei învăța despre modelele autoregresive, sau AR, pentru seriile de timp. Aceste modele folosesc valorile anterioare ale seriei pentru a prezice valoarea curentă.
4
Modele de medie mobilă (MA) și modele ARMA
În acest capitol vei învăța despre un alt tip de model – modelul de medie mobilă, sau MA. Vei vedea, de asemenea, cum să combini modelele AR și MA într-un model ARMA puternic.
5
Totul laolaltă
Acest capitol îți va arăta cum să modelezi două serii în mod simultan folosind modele de cointegrare. Vei încheia cu un studiu de caz în care analizezi o serie de timp cu date de temperatură din New York City.
Analiza seriilor de timp în Python
Curs
finalizat
