Vezuvio
Магистр
- 22 Мар 2016
- 9.468
- 227.013
Анализ временных рядов на Python (2023) .
Автор: Центр digital-профессий ITtensive] [Udemy]
Изучим регрессию, автокорреляция и рекуррентные нейросети для работы с временными рядами
Чему вы научитесь:
Скачать:
Автор: Центр digital-профессий ITtensive] [Udemy]
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 экспорт а 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
У вас нет прав на просмотр ссылок, пожалуйста: Вход или Регистрация
Скачать:
Для просмотра скрытого контента необходимо Войти или Зарегистрироваться.
Последнее редактирование модератором:
