After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
รายละเอียดคอร์ส
คุณเคยพยายามทำนายอนาคตหรือไม่? สิ่งที่รออยู่ข้างหน้าเป็นปริศนาที่โดยปกติแล้วจะคลี่คลายได้ก็ต่อเมื่อรอคอยเท่านั้น ในหลักสูตรนี้ คุณไม่ต้องรออีกต่อไป และสามารถก้าวเข้าสู่โลกของการสร้างแบบจำลองอนุกรมเวลาโดยใช้โมเดล ARIMA ใน Python เพื่อพยากรณ์อนาคตได้เลย
ทำให้แนวคิดเหล่านี้เข้าใจและนำไปใช้ได้ง่าย คุณจะได้เรียนรู้การสร้างการพยากรณ์ล่วงหน้าแบบหนึ่งขั้น การพยากรณ์แบบไดนามิก และการปรับโมเดล ARIMA ให้เข้ากับข้อมูลของคุณโดยตรง
โปรเจกต์สุดท้ายนี้จะเชื่อมทุกอย่างเข้าด้วยกัน ช่วยให้คุณเข้าใจการสร้างแบบจำลอง ARIMA ได้อย่างครอบคลุม
ข้อมูลอนุกรมเวลา
เริ่มต้นด้วยการเรียนรู้พื้นฐานของข้อมูลอนุกรมเวลา รวมถึงแนวคิดเรื่องความนิ่งของอนุกรมเวลา ซึ่งเป็นสิ่งสำคัญอย่างยิ่งสำหรับการทำงานกับโมเดล ARMA คุณจะได้เรียนรู้วิธีทดสอบความนิ่งของข้อมูลทั้งในเชิงภาพและเชิงสถิติ สร้างข้อมูล ARMA และปรับโมเดล ARMA เพื่อสร้างพื้นฐานที่แข็งแกร่งแพ็กเกจ Statsmodels
เมื่อคุณก้าวหน้าไป ให้สำรวจแพ็กเกจ Statsmodels อันทรงพลังสำหรับการฟิตโมเดล ARMA, ARIMA และ ARMAX คุณจะได้รับประสบการณ์ลงมือปฏิบัติจริงในการใช้โมเดลของคุณเพื่อคาดการณ์มูลค่าในอนาคต เช่น ราคาหุ้นทำให้แนวคิดเหล่านี้เข้าใจและนำไปใช้ได้ง่าย คุณจะได้เรียนรู้การสร้างการพยากรณ์ล่วงหน้าแบบหนึ่งขั้น การพยากรณ์แบบไดนามิก และการปรับโมเดล ARIMA ให้เข้ากับข้อมูลของคุณโดยตรง
กราฟ ACF และ PACF
หนึ่งในจุดเด่นคือการเรียนรู้วิธีเลือกโมเดลที่ดีที่สุดโดยใช้กราฟ ACF และ PACF เพื่อระบุลำดับของโมเดลที่มีแนวโน้มดีที่สุด คุณจะได้เรียนรู้เกี่ยวกับเกณฑ์ต่างๆ เช่น AIC และ BIC สำหรับการเลือกแบบจำลองและการวินิจฉัย ช่วยให้คุณปรับแต่งแบบจำลองของคุณให้สมบูรณ์แบบ.โมเดล SARIMA
คอร์สนี้ปิดท้ายด้วยโมเดล seasonal ARIMA (SARIMA) ซึ่งเหมาะอย่างยิ่งสำหรับการจัดการข้อมูลที่มีรูปแบบตามฤดูกาล คุณจะได้เรียนรู้วิธีแยกข้อมูลอนุกรมเวลาออกเป็นองค์ประกอบตามฤดูกาลและไม่ตามฤดูกาล และนำทักษะ ARIMA ของคุณไปใช้ในความท้าทายการพยากรณ์ระดับโลกโปรเจกต์สุดท้ายนี้จะเชื่อมทุกอย่างเข้าด้วยกัน ช่วยให้คุณเข้าใจการสร้างแบบจำลอง ARIMA ได้อย่างครอบคลุม
ข้อกำหนดเบื้องต้น
หลักสูตร
โครงสร้างคอร์ส
1
ARMA Models
เริ่มต้นเรียนรู้คุณสมบัติที่สำคัญที่สุดของอนุกรมเวลาได้เลย จะได้ทำความเข้าใจเรื่อง stationarity และความสำคัญของมันต่อโมเดล ARMA รวมถึงวิธีทดสอบ stationarity ทั้งแบบสังเกตด้วยตาและใช้การทดสอบทางสถิติมาตรฐาน จากนั้นจะได้เรียนรู้โครงสร้างพื้นฐานของโมเดล ARMA เพื่อสร้างข้อมูลจำลองและฟิตโมเดล ARMA
- บทนำสู่อนุกรมเวลาและ Stationarity50 XP
- การสำรวจข้อมูล100 XP
- การแบ่งข้อมูล Train-Test100 XP
- Stationary หรือไม่?100 XP
- การทำให้อนุกรมเวลามีสภาพคงที่50 XP
- Augmented Dicky-Fuller100 XP
- การหาผลต่าง100 XP
- การแปลงข้อมูลรูปแบบอื่น100 XP
- แนะนำโมเดล AR, MA และ ARMA50 XP
- ลำดับของโมเดล100 XP
- การสร้างข้อมูล ARMA100 XP
- ก้าวแรกสู่การ Fitting100 XP
2
การพยากรณ์อนาคต
บทนี้จะได้ฝึกพยากรณ์สิ่งที่กำลังจะเกิดขึ้นในข้อมูลของคุณ จะได้เรียนรู้การใช้แพ็กเกจ statsmodels ฟิตโมเดล ARMA, ARIMA และ ARMAX แล้วนำโมเดลไปพยากรณ์ราคาหุ้นที่เต็มไปด้วยความไม่แน่นอน
3
โมเดลที่ดีที่สุด
ในบทนี้จะได้ฝึกเลือกโมเดลอย่างมีหลักการ เริ่มจากการระบุ order ของโมเดลที่มีแนวโน้มดีจากข้อมูลโดยตรง จากนั้นเมื่อฝึกโมเดลที่มีแนวโน้มดีที่สุดแล้ว จะได้เรียนรู้วิธีเลือกโมเดลที่ดีที่สุดจากกลุ่มโมเดลที่ฟิตไว้ นอกจากนี้ยังได้เรียนรู้กรอบการทำงานที่ยอดเยี่ยมสำหรับจัดโครงสร้างโปรเจกต์อนุกรมเวลา
4
Seasonal ARIMA Models
ในบทสุดท้ายนี้จะได้เรียนรู้การใช้ seasonal ARIMA models เพื่อฟิตข้อมูลที่ซับซ้อนยิ่งขึ้น จะได้แยกข้อมูลออกเป็นส่วนที่มีฤดูกาลและส่วนที่ไม่มีฤดูกาล แล้วนำทักษะ ARIMA ทั้งหมดที่เรียนมาไปใช้ในโจทย์พยากรณ์ระดับโลกครั้งสุดท้าย
ARIMA Models ใน Python
เรียนจบแล้ว
