Придбаний [Udemy] аналіз часових рядів на Python (Микола Мацієвський)

[Gadzhi]

вивчимо регресію, автокореляцію та рекурентні нейромережі для роботи з часовими рядами

чого ви навчитеся:

• теорія часових рядів
• опис тенденцій часового ряду
• прогнозування часового ряду
• лінійна та нелінійна регресія
• ARMA, ARIMA, SARIMA(X)
• ADL і VAR
• RNN, LSTM і GRU
• BiLSTM
  
  вимоги:
• розширений Python

основи машинного навчання

• це додатковий курс Програми Машинне навчання від ITtensive з аналізу часових рядів.

в курсі розбираються 3 практичних завдання:

• 1. Ф'ючерси (ціни) на зерно.

використовуючи помісячні дані ф'ючерсів на зерно на Лондонській біржі і застосувавши ансамбль класичних методів - біжучого середнього і поліноміальної регресії - спрогнозуємо ціни в період сильної невизначеності.
Проект: прогноз ф'ючерсів на Червень 2022 року

• 2. Курси валют.

вивчимо частотний і економетричний підхід для опис і прогнозування курсу долара до рубля. Навчимося розкладати ряд на тренд, сезонність і варіацію і використовувати моделі ARMA, Arima, SARIMA, а також векторні (факторні) дані. Спробуємо бібліотеки Prophet і Auto-TS (автоматичне Машинне навчання).
Проект: прогноз обсягу експорту у грудні 2022 року

• 3. Активність споживачів електроенергії.

розберемося з нейронними мережами і на основі досить стаціонарного ряду спрогнозуємо його поведінку, використовуючи ансамбль з рекурентних нейромереж.
Курсовий проект: прогноз курсу акцій, використовуючи рекурентні нейромережі.

теорія курсу включає:

• поняття і цілі аналізу часового ряду
• базові техніки-поліноміальні тренди і біжить середнє
• модель Хольта-Вінтерса і кольору шуму
• Авторегресія і стаціонарність ряду
• AR/MA, ARIMA, SARIMA(X)
• ADL і VAR
• методологію аналізу часових рядів і дрейф даних
• рекурентні нейромережі
• LSTM, GRU, ConvLSTM і BiLSTM
• У висновку подивимося на моделі WaveNet і трансформери (механізми уваги).
  
  Для кого цей курс:
• інженери даних, що працюють з тимчасовими серіями
• розробники Python, які прогнозують часові ряди
• вчені з даних, які досліджують часові залежності

Спойлер: "інформація"

01. Введення

• введення. mp4

02. Лінійна регресія та розсувні вікна

• поняття часового ряду. mp4
• цілі аналізу часових рядів. mp4
• поліноміальні тренди. mp4
• ковзаючі середні. mp4
• метод експоненціального згладжування. mp4
• Сигнал і шум. mp4

03. Практикум ціни на зерно

• ціни на зерно. mp4
• вихідний код.html
• розсувне вікно. mp4
• вихідний код.html
• експоненціальне середнє. mp4
• вихідний код.html
• модель Хольта-Вінтерса. mp4
• вихідний код.html
• частотний аналіз. mp4
• вихідний код.html

04. Проект передбачення цін

• ф'ючерси на зерно.html

05. Економетричний підхід

• Авторегресія. mp4
• стаціонарність. mp4
• ARMA.mp4
• ARIMA.mp4
• SARIMA(X).mp4
• ADL і va. mp4
• автокореляція.html

06. Практикум курси валют

• ARMA.mp4
• вихідний код.html
• ARIMA.mp4
• вихідний код.html
• SARIMA.mp4
• вихідний код.html
• PROPHET.mp4
• вихідний код.html
• Auto-TS.mp4
• вихідний код.html

07. Проект обсяг експорту

• прогнозування обсягу експорту.txt

08. Методологія аналізу часових рядів і нейромережі

• аналіз часових рядів. mp4
• Дрейф даних. mp4
• RNN.mp4
• LSTM.mp4
• GRU.mp4
• BiLSTM і ConvLST. mp4
• рекурентні нейромережі.html

09. Практикум активність споживачів

• споживачі енергії. mp4
• вихідний код.html
• CatBoost.mp4
• вихідний код.html
• RNN.mp4
• вихідний код.html
• LST.mp4
• вихідний код.html
• GRU.mp4
• вихідний код.html
• BiLST.mp4
• вихідний код.html

10. Курсовий проект

• моделювання часового ряду.txt

11. Висновок

• поздоровлення.mp4

Продажник:
https://privatelink.de/?https://www.udemy.com/course/ittensive-python-time-series/