Анализ временных рядов на Python
Автор курса: Центр digital-профессий ITtensive
Сайт автора: udemy_com/course/ittensive-python-time-series/
Цена автора: 5990 руб.
Изучим регрессию, автокорреляция и рекуррентные нейросети для работы с временными рядами
Авторы: Центр digital-профессий ITtensive
Последнее обновление: 12.2022
русский
Чему вы научитесь:
- Теория временных рядов
- Описание тенденций временного ряда
- Прогнозирование временного ряда
- Линейная и нелинейная регрессия
- ARMA, ARIMA, SARIMA(X)
- ADL и VAR
- RNN, LSTM и GRU
- BiLSTM
Требования:
- Продвинутый Python
- Основы машинного обучения
Описание
Внимание: для доступа к курсам ITtensive на Udemy напишите, пожалуйста, на support @ ittensive_com с названием курса или группы курсов, которые хотите пройти.
Это дополнительный курс программы Машинное обучение от ITtensive по анализу временных рядов. В курсе разбираются 3 практических задачи:
1. Фьючерсы (цены) на зерно. Используя помесячные данные фьючерсов на зерно на лондонской бирже и применив ансамбль классических методов – бегущего среднего и полиномиальной регрессии – спрогнозируем цены в период сильной неопределенности.
Проект: прогноз фьючерсов на июнь 2022 года
2. Курсы валют. Изучим частотный и эконометрический подход для описание и прогнозирования курса доллара к рублю. Научимся раскладывать ряд на тренд, сезонность и вариацию и использовать модели ARMA, ARIMA, SARIMA, а также векторные (факторные) данные. Попробуем библиотеки Prophet и Auto-TS (автоматическое машинное обучение).
Проект: прогноз объема экспорта в декабре 2022 года
3. Активность потребителей электроэнергии. Разберемся с нейронными сетями и на основе достаточно стационарного ряда спрогнозируем его поведение, используя ансамбль из рекуррентных нейросетей.
Курсовой проект: прогноз курса акций, используя рекуррентные нейросети.
Теория по курсу включает:
- Понятие и цели анализа временного ряда
- Базовые техники – полиномиальные тренды и бегущее среднее
- Модель Хольта-Винтерса и цвета шума
- Авторегрессия и стационарность ряда
- AR/MA, ARIMA, SARIMA(X)
- ADL и VAR
- Методологию анализа временных рядов и дрейф данных
- Рекуррентные нейросети
- LSTM, GRU, ConvLSTM и BiLSTM
В заключении посмотрим на модели WaveNet и трансформеры (механизмы внимания).
Для кого этот курс:
-
- Инженеры по данным, работающие с временными сериями
- Разработчики Python, прогнозирующие временные ряды
- Ученые по данным, исследующие временные зависимости.
Отзывы
Отзывов пока нет.