Аналіз часових рядів у Python

Дізнайтеся, як використовувати Python для аналізу часових рядів

Від цін на акції до кліматичних даних — ви можете знайти часові ряди в найрізноманітніших сферах. Уміння ефективно працювати з такими даними — це дедалі важливіша навичка для дата-сайентистів. Цей курс ознайомить вас із аналізом часових рядів у Python.

Після того, як ви дізнаєтеся, що таке часовий ряд, ви ознайомитеся з кількома моделями часових рядів — від авторегресійних і моделей ковзного середнього до моделей коінтеграції. По дорозі ви навчитеся оцінювати, прогнозувати та моделювати ці моделі за допомогою статистичних бібліотек у Python.

Ви побачите численні приклади того, як ці моделі використовуються, з особливим акцентом на застосуваннях у фінансах.

Дізнайтеся, як використовувати методи аналізу часових рядів

Ви почнете з вивчення основ даних часових рядів, а також простої лінійної регресії. Ви ознайомитеся з поняттями кореляції та автокореляції і тим, як вони застосовуються до часових рядів, а потім розглянете деякі прості моделі часових рядів, такі як білий шум і випадкове блукання. Далі ви дізнаєтеся, як авторегресивні (AR) моделі використовуються для даних часових рядів, щоб прогнозувати поточні значення, і як моделі ковзного середнього можуть поєднуватися з AR-моделями, утворюючи потужні ARMA-моделі.

Нарешті, ви дізнаєтеся, як використовувати моделі коінтеграції для спільного моделювання двох рядів, а потім розглянете реальний кейс.

Ознайомтеся з моделями та бібліотеками Python для аналізу часових рядів Наприкінці цього курсу ви зрозумієте, як працює аналіз часових рядів у Python. Ви дізнаєтеся про деякі моделі, методи та бібліотеки, які можуть допомогти вам у цьому процесі, і знатимете, як обрати відповідні для власного аналізу.

Цей курс є частиною ширшого треку Time Series with Python, який містить набір із п’яти курсів, щоб допомогти вам опанувати цю навичку data science.