After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Чи намагалися ви коли-небудь передбачити майбутнє? Попереду на вас чекає загадка, яку зазвичай можна розгадати лише, дочекавшись. У цьому курсі ви можете перестати чекати й зануритися у світ моделювання часових рядів, використовуючи моделі ARIMA в Python, щоб прогнозувати майбутнє.
Роблячи ці концепції легкими для розуміння й застосування, ви навчитеся будувати однокрокові прогнози, динамічні прогнози та налаштовувати моделі ARIMA безпосередньо на ваших даних.
Цей підсумковий проєкт поєднує все разом, даючи вам ґрунтовне розуміння моделювання ARIMA.
Дані часових рядів
Почніть із вивчення основ даних часових рядів, зокрема поняття стаціонарності — ключового для роботи з моделями ARMA. Ви дізнаєтеся, як перевіряти стаціонарність як візуально, так і статистично, генерувати дані ARMA та підбирати моделі ARMA, щоб отримати міцну основу.Пакет Statsmodels
У міру просування ви ознайомитеся з потужним пакетом Statsmodels для побудови моделей ARMA, ARIMA та ARMAX. Ви отримаєте практичний досвід використання своїх моделей для прогнозування майбутніх значень, таких як ціни акцій.Роблячи ці концепції легкими для розуміння й застосування, ви навчитеся будувати однокрокові прогнози, динамічні прогнози та налаштовувати моделі ARIMA безпосередньо на ваших даних.
Графіки ACF і PACF
Однією з ключових переваг є навчання тому, як обирати найкращу модель за допомогою графіків ACF і PACF для визначення перспективних порядків моделі. Ви дізнаєтеся про такі критерії, як AIC і BIC, для вибору моделей і діагностики, що допоможе вам довести свої моделі до досконалості.Моделі SARIMA
Курс завершується моделями сезонної ARIMA (SARIMA), які ідеально підходять для роботи з даними, що мають сезонні закономірності. Ви навчитеся розкладати дані часових рядів на сезонні та несезонні компоненти й застосовувати свої навички ARIMA у глобальному конкурсі прогнозування.Цей підсумковий проєкт поєднує все разом, даючи вам ґрунтовне розуміння моделювання ARIMA.
Попередні вимоги
Навчальний план
Зміст курсу
1
Моделі ARMA
Почнімо одразу й розберімося з найважливішими властивостями часових рядів. Ви дізнаєтеся про стаціонарність і чому вона важлива для моделей ARMA. Ви навчитеся перевіряти стаціонарність «на око» та стандартним статистичним тестом. Нарешті, ви засвоїте базову структуру моделей ARMA, згенеруєте дані ARMA та підігнати модель ARMA.
- Вступ до часових рядів і стаціонарності50 XP
- Розвідка100 XP
- Розбиття на train/test100 XP
- Чи стаціонарний ряд100 XP
- Зроблення часових рядів стаціонарними50 XP
- Розширений тест Дікі — Фуллера100 XP
- Взяття різниці100 XP
- Інші перетворення100 XP
- Вступ до моделей AR, MA та ARMA50 XP
- Порядок моделі100 XP
- Генерація даних ARMA100 XP
- Початок підгонки100 XP
2
Підігнати майбутнє
У цьому розділі на вас чекає прогнозування майбутнього у ваших даних. Ви навчитеся використовувати зручний пакет statsmodels для підгонки моделей ARMA, ARIMA та ARMAX. Потім застосуєте свої моделі, щоб спрогнозувати невизначене майбутнє цін акцій!
3
Найкращі з найкращих моделей
У цьому розділі ви станете вибагливим моделювальником. Ви навчитеся визначати перспективні порядки моделей безпосередньо з даних, а після навчання найперспективніших моделей — обирати найкращу з отриманого набору. Також ви засвоїте зручний підхід до структурування проєктів із часовими рядами.
4
Сезонні моделі ARIMA
У фінальному розділі ви навчитеся використовувати сезонні моделі ARIMA для більш складних даних. Ви розкладете ці дані на сезонні та несезонні компоненти, а далі отримаєте нагоду застосувати всі свої інструменти ARIMA в останньому глобальному виклику з прогнозування.
Моделі ARIMA в Python
Курс
завершено
