[Центр digital-профессий ITtensive] [Udemy] Анализ временных рядов на Python (2023)

[serafim]

[Центр digital-профессий ITtensive] [Udemy] Анализ временных рядов на Python (2023)

Изучим регрессию, автокорреляция и рекуррентные нейросети для работы с временными рядами

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
  
  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

Продажник:
Анализ временных рядов на Python
Скачать:

Для просмотра скрытого содержимого вы должны войти или зарегистрироваться.