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

Leon

Команда форума
Администратор
Автор: [Центр digital-профессий ITtensive] [Udemy]
Название: 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
Cкрытый контент, нужно авторизируйся или присоединяйся.
 
Сверху
... ...