After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kursbeskrivning
Har du någonsin försökt förutsäga framtiden? Det som väntar framöver är ett mysterium som vanligtvis bara löses genom att vänta. I den här kursen kan du sluta vänta och dyka in i världen av tidsseriemodellering med ARIMA-modeller i Python för att förutsäga framtiden.
Genom att göra dessa koncept lätta att förstå och tillämpa kommer du att upptäcka hur du skapar prognoser ett steg framåt, dynamiska prognoser och anpassar ARIMA-modeller direkt till dina data.
Det här slutprojektet knyter ihop allt och ger dig en heltäckande förståelse för ARIMA-modellering.
Tidsseriedata
Börja med att lära dig grunderna i tidsseriedata, inklusive begreppet stationaritet – avgörande för att arbeta med ARMA-modeller. Du kommer att lära dig hur du testar för stationaritet både visuellt och statistiskt, genererar ARMA-data och anpassar ARMA-modeller för att få en solid grund.Statsmodels-paketet
Allt eftersom du utvecklas får du utforska det kraftfulla paketet Statsmodels för att anpassa ARMA-, ARIMA- och ARMAX-modeller. Du får praktisk erfarenhet av att använda dina modeller för att förutsäga framtida värden som aktiekurser.Genom att göra dessa koncept lätta att förstå och tillämpa kommer du att upptäcka hur du skapar prognoser ett steg framåt, dynamiska prognoser och anpassar ARIMA-modeller direkt till dina data.
ACF- och PACF-diagram
En av höjdpunkterna är att lära sig hur man väljer den bästa modellen med hjälp av ACF- och PACF-diagram för att identifiera lovande modellordningar. Du kommer att lära dig om kriterier som AIC och BIC för modellval och diagnostik, vilket hjälper dig att finslipa dina modeller till perfektion.SARIMA-modeller
Kursen avslutas med säsongsbaserade ARIMA-modeller (SARIMA), perfekta för att hantera data med säsongsmönster. Du kommer att lära dig att bryta ner tidsseriedata i säsongs- och icke-säsongsbetonade komponenter och tillämpa dina ARIMA-kunskaper i en global prognosutmaning.Det här slutprojektet knyter ihop allt och ger dig en heltäckande förståelse för ARIMA-modellering.
Förkunskapskrav
Kursplan
Kursöversikt
1
ARMA-modeller
Hoppa rakt in och lär dig om de viktigaste egenskaperna hos tidsserier. Du lär dig om stationaritet och varför det är viktigt för ARMA-modeller. Du lär dig att testa för stationaritet visuellt och med ett statistiskt standardtest. Slutligen lär du dig grundstrukturen hos ARMA-modeller och använder den för att generera ARMA-data och anpassa en ARMA-modell.
- Introduktion till tidsserier och stationaritet50 XP
- Utforskning100 XP
- Tränings- och testuppdelning100 XP
- Är det stationärt100 XP
- Göra tidsserier stationära50 XP
- Augmented Dicky-Fuller100 XP
- Ta differensen100 XP
- Andra transformationer100 XP
- Introduktion till AR-, MA- och ARMA-modeller50 XP
- Modellordning100 XP
- Generera ARMA-data100 XP
- Introduktion till modellskattning100 XP
2
Prognoser för framtiden
I det här kapitlet lär du dig att förutsäga det som väntar i dina data. Du lär dig att använda det välstrukturerade paketet statsmodels för att anpassa ARMA-, ARIMA- och ARMAX-modeller. Sedan använder du dina modeller för att göra prognoser för aktiekursernas osäkra framtid!
3
De bästa modellerna
I det här kapitlet lär du dig att välja modeller med gott omdöme. Du lär dig hur du identifierar lovande modellordningar direkt från data, och när de mest lovande modellerna har tränats lär du dig att välja den bästa modellen ur urvalet. Du lär dig också ett bra ramverk för att strukturera dina tidsserieprojekt.
4
Säsongsbaserade ARIMA-modeller
I det här sista kapitlet lär du dig att använda säsongsbaserade ARIMA-modeller för att anpassa mer komplex data. Du lär dig att dela upp data i säsongsbaserade och icke-säsongsbaserade delar, och sedan får du möjlighet att använda alla dina ARIMA-verktyg i en avslutande global prognosutmaning.
ARIMA-modeller i Python
Kurs
slutförd
