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

Анализ временных рядов на Python
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
    
    Скрытая ссылка