After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Описание курса
Вы когда-нибудь пытались предсказать будущее? Что ждет впереди, — загадка, которую обычно удается разгадать только ожиданием. В этом курсе вы сможете перестать ждать и погрузиться в мир моделирования временных рядов с использованием моделей ARIMA в Python, чтобы прогнозировать будущее.
Делая эти концепции простыми для понимания и применения, вы освоите построение прогнозов на один шаг вперед, динамических прогнозов и настройку моделей ARIMA непосредственно на ваших данных.
Этот итоговый проект объединяет всё воедино, давая вам всестороннее понимание моделирования ARIMA.
Данные временных рядов
Начните с изучения основ данных временных рядов, включая понятие стационарности — ключевое для работы с моделями ARMA. Вы узнаете, как проверять стационарность визуально и статистически, генерировать данные ARMA и подбирать модели ARMA, чтобы получить прочную основу.Пакет Statsmodels
По мере продвижения вы познакомитесь с мощным пакетом Statsmodels для построения моделей ARMA, ARIMA и ARMAX. Вы получите практический опыт использования своих моделей для прогнозирования будущих значений, таких как цены акций.Делая эти концепции простыми для понимания и применения, вы освоите построение прогнозов на один шаг вперед, динамических прогнозов и настройку моделей ARIMA непосредственно на ваших данных.
Графики ACF и PACF
Одним из ключевых моментов является изучение того, как выбирать лучшую модель с помощью графиков ACF и PACF для определения перспективных порядков модели. Вы узнаете о таких критериях, как AIC и BIC, для выбора моделей и диагностики, что поможет вам довести свои модели до совершенства.Модели SARIMA
Курс завершается моделями сезонной ARIMA (SARIMA), идеально подходящими для работы с данными, имеющими сезонные закономерности. Вы научитесь разлагать данные временных рядов на сезонные и несезонные компоненты и применять навыки ARIMA в глобальном конкурсе прогнозирования.Этот итоговый проект объединяет всё воедино, давая вам всестороннее понимание моделирования ARIMA.
Предварительные требования
Программа
Структура курса
1
Модели ARMA
Погружайтесь сразу и изучайте важнейшие свойства временных рядов. Вы узнаете о стационарности и о том, почему она важна для моделей ARMA. Вы научитесь проверять стационарность визуально и с помощью стандартного статистического теста. Наконец, вы познакомитесь с базовой структурой моделей ARMA, используете её для генерации данных ARMA и подгонки модели.
- Введение в временные ряды и стационарность50 XP
- Исследование данных100 XP
- Разбивка на обучающую и тестовую выборки100 XP
- Стационарна ли временной ряд?100 XP
- Приведение временного ряда к стационарному виду50 XP
- Расширенный тест Дики–Фуллера100 XP
- Взятие разности100 XP
- Другие преобразования100 XP
- Введение в модели AR, MA и ARMA50 XP
- Порядок модели100 XP
- Генерация данных ARMA100 XP
- Первые шаги к обучению модели100 XP
2
Прогнозирование будущего
В этой главе вы займётесь прогнозированием того, что ждёт ваши данные впереди. Вы научитесь использовать пакет statsmodels для подгонки моделей ARMA, ARIMA и ARMAX, а затем применять эти модели для предсказания неопределённого будущего цен на акции.
3
Лучшие из лучших моделей
В этой главе вы научитесь строить модели с умом и разборчивостью. Сначала вы узнаете, как определять подходящие порядки моделей непосредственно по данным, а затем — как выбрать наилучшую модель из набора обученных кандидатов. Кроме того, вы освоите удобный фреймворк для структурирования проектов по анализу временных рядов.
4
Сезонные модели ARIMA
В этой заключительной главе вы узнаете, как применять сезонные модели ARIMA для работы с более сложными данными. Вы научитесь разбивать данные на сезонную и несезонную составляющие, а затем используете все освоенные инструменты ARIMA в финальном задании по глобальному прогнозированию.
Модели ARIMA в Python
Курс
завершён
