After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
课程介绍
你是否曾尝试预测未来？前方等待着的，通常只有通过等待才能揭晓的神秘。 在这门课程中，你无需再等待，即可通过在 Python 中使用 ARIMA 模型深入时间序列建模世界，预测未来。
通过让这些概念变得易于理解和应用，你将学会生成一步预测、动态预测，并将 ARIMA 模型直接拟合到您的数据中。
这个最终项目将所有内容串联起来，让你全面掌握 ARIMA 建模。
时间序列数据
从学习时间序列数据的基础开始，包括平稳性的概念——这对于使用 ARMA 模型至关重要。 你将学习如何通过可视化和统计方法检验平稳性，生成 ARMA 数据，并拟合 ARMA 模型，从而打下坚实基础。Statsmodels 包
随着学习的深入，探索强大的 Statsmodels 包，用于拟合 ARMA、ARIMA 和 ARMAX 模型。 您将获得使用模型预测未来值（如股票价格）的实践经验。通过让这些概念变得易于理解和应用，你将学会生成一步预测、动态预测，并将 ARIMA 模型直接拟合到您的数据中。
ACF 和 PACF 图
亮点之一是学习如何使用 ACF 和 PACF 图来选择最佳模型，以识别有前景的模型阶数。 您将学习用于模型选择和诊断的 AIC 和 BIC 等准则，帮助您将模型优化到尽善尽美.SARIMA模型
课程以季节性 ARIMA（SARIMA）模型收尾，非常适合处理具有季节性模式的数据。 你将学习如何将时间序列数据分解为季节性和非季节性组成部分，并在全球预测挑战中运用你的 ARIMA 技能。这个最终项目将所有内容串联起来，让你全面掌握 ARIMA 建模。
先修要求
课程大纲
课程大纲
1
ARMA 模型
直接上手，学习时间序列最重要的属性。您将了解平稳性，以及它对于 ARMA 模型的重要性。您将学习如何通过目测和标准统计检验来测试平稳性。最后，您将了解 ARMA 模型的基本结构，并据此生成一些 ARMA 数据并拟合一个 ARMA 模型。
2
拟合未来
本章的主题就是：预测您数据中即将发生的事情。您将学习如何使用优雅的 statsmodels 包来拟合 ARMA、ARIMA 和 ARMAX 模型。然后，您将使用这些模型来预测充满不确定性的股票价格未来！
3
优中选优的模型
在本章中，您将成为一位有鉴别力的建模者。您将学习如何从数据本身识别有潜力的模型阶数；在训练出最具潜力的模型后，您还将学习如何从这组已拟合的模型中选择最佳模型。您还会学习一个用于组织时间序列项目的优秀框架。
4
季节性 ARIMA 模型
在最后一章中，您将学习如何使用季节性 ARIMA 模型来拟合更复杂的数据。您将学习如何将数据分解为季节性与非季节性部分，随后有机会将所有 ARIMA 工具应用到最后一次全球预测挑战中。
Python 中的 ARIMA 模型
课程完成
