|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/ittensive-python-time-series/
课程评论：没有评论
Coursera Python时间序列分析课程总结 本课程是ITtensive机构“机器学习”项目中的一个额外课程，专注于Python时间序列分析。课程通过三个实际项目深入讲解相关概念和技术： 1. **粮食期货价格预测：** 利用伦敦证券交易所的粮食期货月度数据，结合移动平均和多项式回归等经典方法，预测在不确定时期内的价格走势。项目目标是预测2022年6月的期货价格。 2. **货币汇率预测：** 学习使用频率域和计量经济学方法来描述和预测美元兑卢布汇率。内容涵盖时间序列分解（趋势、季节性、变异性），以及ARMA、ARIMA、SARIMA模型和向量（因子）数据应用。课程还将探索Prophet和Auto-TS（自动机器学习）库。项目目标是预测2022年12月的出口量。 3. **电力用户活动预测：** 探索神经网络在时间序列分析中的应用，特别是使用递归神经网络（RNN）的集成模型来预测相对平稳的时间序列。课程项目是通过递归神经网络预测股票价格。 **课程理论部分涵盖：** * 时间序列分析的概念和目标 * 基础技术：多项式趋势和移动平均 * Holt-Winters模型和彩色噪声 * 自回归和序列平稳性 * AR/MA, ARIMA, SARIMA(X) * ADL和VAR模型 * 时间序列分析的方法论和数据漂移 * 递归神经网络：LSTM, GRU, ConvLSTM, BiLSTM * 最后会介绍WaveNet模型和Transformer（注意力机制）。 **重要提示：** 访问ITtensive的Udemy课程需要通过发送邮件至support@ittensive.com，并注明您想学习的课程名称或课程组。
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 года2. 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 года3. 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 рядаБазовые техники - полиномиальные тренды и бегущее среднееМодель Хольта-Винтерса и цвета шумаАвторегрессия и стационарность рядаAR/MA, ARIMA, SARIMA(X)ADL и VARМетодологию анализа временных рядов и дрейф данныхРекуррентные нейросетиLSTM, GRU, ConvLSTM и BiLSTMВ заключении посмотрим на модели WaveNet и трансформеры (механизмы внимания).
