คอร์ส
ARIMA Models in Python
ขั้นสูงระดับทักษะ
อัปเดตแล้ว 11/2566
PythonMachine Learning4 ชม.15 วิดีโอ57 แบบฝึกหัด4,850 XP24,862ใบรับรองความสำเร็จ
สร้างบัญชีฟรีของคุณ
ดำเนินการต่อด้วย Googleแสดงตัวเลือกเพิ่มเติมหรือ
เมื่อดำเนินการต่อ คุณยอมรับ ข้อกำหนดการใช้งาน ของเรา นโยบายความเป็นส่วนตัว ของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บในสหรัฐอเมริกา
เป็นที่รักของผู้เรียนในบริษัทหลายพันแห่ง
กำลังฝึกอบรมทีม?
ลองใช้สำหรับธุรกิจคำอธิบายคอร์ส
Time series data
Start by learning the basics of time series data, including the concept of stationarity—crucial for working with ARMA models. You'll learn how to test for stationarity both visually and statistically, generate ARMA data, and fit ARMA models to get a solid foundation.Statsmodels package
As you progress, explore the powerful Statsmodels package for fitting ARMA, ARIMA, and ARMAX models. You'll get hands-on experience using your models to predict future values like stock prices.Making these concepts easy to grasp and apply, you’ll uncover generating one-step-ahead predictions, dynamic forecasts, and fitting ARIMA models directly to your data.
ACF and PACF plots
One of the highlights is learning how to choose the best model using ACF and PACF plots to identify promising model orders. You'll learn about criteria like AIC and BIC for model selection and diagnostics, helping you refine your models to perfection.SARIMA models
The course wraps up with seasonal ARIMA (SARIMA) models, perfect for handling data with seasonal patterns. You'll learn to decompose time series data into seasonal and non-seasonal components and apply your ARIMA skills in a global forecast challenge.This final project ties everything together, giving you a comprehensive understanding of ARIMA modeling.
ข้อกำหนดเบื้องต้น
Supervised Learning with scikit-learn1
ARMA Models
Dive straight in and learn about the most important properties of time series. You'll learn about stationarity and how this is important for ARMA models. You'll learn how to test for stationarity by eye and with a standard statistical test. Finally, you'll learn the basic structure of ARMA models and use this to generate some ARMA data and fit an ARMA model.
2
Fitting the Future
What lies ahead in this chapter is you predicting what lies ahead in your data. You'll learn how to use the elegant statsmodels package to fit ARMA, ARIMA and ARMAX models. Then you'll use your models to predict the uncertain future of stock prices!
3
The Best of the Best Models
In this chapter, you will become a modeler of discerning taste. You'll learn how to identify promising model orders from the data itself, then, once the most promising models have been trained, you'll learn how to choose the best model from this fitted selection. You'll also learn a great framework for structuring your time series projects.
4
Seasonal ARIMA Models
In this final chapter, you'll learn how to use seasonal ARIMA models to fit more complex data. You'll learn how to decompose this data into seasonal and non-seasonal parts and then you'll get the chance to utilize all your ARIMA tools on one last global forecast challenge.
ARIMA Models in Python
คอร์สเสร็จสมบูรณ์ รับใบรับรองความสำเร็จ
เพิ่มใบรับรองนี้ไปยังโปรไฟล์ LinkedIn เรซูเม่ หรือ CV ของคุณแชร์บน social media และในการรีวิวผลการปฏิบัติงานของคุณลงทะเบียนทันที
ร่วมกับผู้เรียนกว่า 19 ล้านคนและเริ่มต้น ARIMA Models in Python วันนี้!
สร้างบัญชีฟรีของคุณ
ดำเนินการต่อด้วย Googleแสดงตัวเลือกเพิ่มเติมหรือ
เมื่อดำเนินการต่อ คุณยอมรับ ข้อกำหนดการใช้งาน ของเรา นโยบายความเป็นส่วนตัว ของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บในสหรัฐอเมริกา
พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile
พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา