学完这些课程后，我对创建专业的可视化图表和仪表板充满信心
Shoebur Rahman采购专员，Giz Bangladesh
课程简介
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
课程体系
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
课程已完成
