Chuyển đến nội dung chính

Trang chủ Python

Khóa học

Mô hình ARIMA với Python

Nâng caoTrình độ kỹ năng

Đã cập nhật tháng 11, 2023

Bắt Đầu Khóa Học Miễn Phí

PythonMachine Learning

4 gio

15 video

57 Bài tập

4,850 XP

24,880

Giấy chứng nhận Thành tích

Được người học tại hàng ngàn công ty yêu thích

Đào tạo một đội ngũ?

Dùng thử cho Doanh nghiệp

Mô tả khóa học

Bạn đã từng thử dự đoán tương lai chưa? Những gì phía trước thường là điều bí ẩn chỉ được giải đáp bằng cách chờ đợi. Trong khóa học này, bạn sẽ thôi phải chờ và học cách dùng các mô hình lớp ARIMA mạnh mẽ để dự báo tương lai. Bạn sẽ học cách dùng gói statsmodels để phân tích chuỗi thời gian, xây dựng mô hình phù hợp riêng và dự báo trong điều kiện bất định. Thị trường chứng khoán sẽ biến động thế nào trong 24 giờ tới? Mức CO2 sẽ thay đổi ra sao trong thập kỷ tới? Năm sau sẽ có bao nhiêu trận động đất? Bạn sẽ học cách giải những bài toán này và nhiều hơn nữa.

Điều kiện tiên quyết

Supervised Learning with scikit-learn

1

Mô hình ARMA

Bắt đầu ngay và tìm hiểu các đặc tính quan trọng nhất của chuỗi thời gian. Bạn sẽ học về tính dừng và vì sao điều này quan trọng với các mô hình ARMA. Bạn sẽ học cách kiểm tra tính dừng bằng trực quan và bằng một kiểm định thống kê tiêu chuẩn. Cuối cùng, bạn sẽ học cấu trúc cơ bản của mô hình ARMA, dùng nó để sinh dữ liệu ARMA và khớp một mô hình ARMA.

Giới thiệu về chuỗi thời gian và tính dừng

Chia tập train-test

Chuỗi có dừng (stationary) không

Làm cho chuỗi thời gian trở nên dừng

Kiểm định Augmented Dickey-Fuller

Lấy sai phân

Các phép biến đổi khác

Giới thiệu về các mô hình AR, MA và ARMA

Bậc mô hình

Tạo dữ liệu ARMA

Khởi động việc fit mô hình

Bắt Đầu Chương

2

Khớp mô hình cho tương lai

Ở chương này, bạn sẽ dự đoán những gì sắp tới trong dữ liệu của mình. Bạn sẽ học cách dùng gói statsmodels linh hoạt để khớp các mô hình ARMA, ARIMA và ARMAX. Sau đó, bạn sẽ dùng các mô hình để dự báo tương lai đầy bất định của giá cổ phiếu!

Ước lượng mô hình chuỗi thời gian

Ước lượng mô hình AR và MA

Khớp mô hình ARMA

Khớp mô hình ARMAX

Tạo dự báo một bước trước

Vẽ dự báo một bước tiếp theo

Tạo dự báo động

Vẽ dự báo động

Giới thiệu về mô hình ARIMA

Lấy sai phân và khớp ARMA

Mở cuộn dự báo ARMA

Fit mô hình ARIMA

Chọn mô hình ARIMA

Bắt Đầu Chương

3

Những mô hình tốt nhất

Trong chương này, bạn sẽ trở thành một người xây dựng mô hình với gu chọn lọc. Bạn sẽ học cách xác định các bậc mô hình hứa hẹn ngay từ dữ liệu, rồi sau khi huấn luyện những mô hình triển vọng nhất, bạn sẽ học cách chọn mô hình tốt nhất từ nhóm đã khớp. Bạn cũng sẽ học một khung phương pháp tuyệt vời để cấu trúc các dự án chuỗi thời gian.

Giới thiệu về ACF và PACF

Bậc của chuỗi động đất

Giới thiệu về AIC và BIC

Tìm kiếm bậc mô hình

Chọn bậc bằng AIC và BIC

AIC và BIC so với ACF và PACF

Chẩn đoán mô hình

Sai số tuyệt đối trung bình

Thống kê tóm tắt cho chẩn đoán

Vẽ biểu đồ chẩn đoán

Phương pháp Box–Jenkins

Nhận diện

Nhận diện II

Ước lượng

Chẩn đoán

Bắt Đầu Chương

4

Mô hình ARIMA theo mùa

Ở chương cuối, bạn sẽ học cách dùng các mô hình ARIMA theo mùa để khớp dữ liệu phức tạp hơn. Bạn sẽ học cách phân tách dữ liệu này thành phần theo mùa và không theo mùa, rồi có cơ hội vận dụng toàn bộ công cụ ARIMA của mình trong một thử thách dự báo toàn cầu cuối cùng.

Chuỗi thời gian theo mùa

Phân rã theo mùa

ACF và PACF theo mùa

Mô hình SARIMA

Ước lượng mô hình SARIMA

Chọn bậc SARIMA

So sánh dự báo SARIMA và ARIMA

Tự động hóa và lưu lại

Tự động chọn mô hình

Lưu và cập nhật mô hình

SARIMA và Box-Jenkins

Mùa vụ nhân so với mùa vụ cộng

Chẩn đoán mô hình SARIMA

Dự báo SARIMA

Chúc mừng bạn!

Bắt Đầu Chương

Mô hình ARIMA với Python

Hoàn
Thành

Nhận Giấy Chứng Nhận Hoàn Thành

Thêm chứng chỉ này vào hồ sơ LinkedIn, CV hoặc sơ yếu lý lịch của ban
Chia sẻ trên mạng xã hội và trong đánh giá hiệu suất của banĐăng ký ngay

Tham gia cùng hơn 19 triệu học viên và bắt đầu Mô hình ARIMA với Python ngay hôm nay!

Phát triển kỹ năng dữ liệu với DataCamp cho thiết bị di động

Tiến bộ mọi lúc mọi nơi với các khóa học cho thiết bị di động và thử thách lập trình 5 phút hằng ngày.