|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/series-temporais-com-python/
课程评论：没有评论
课程名称：使用Python进行时间序列和预测分析 课程概述：2023年全新更新的课程！本课程是您分析时间序列数据的全面指南。随着大数据时代的到来，全球企业利用Python来处理海量信息。掌握Python中的时间序列数据分析，您将为企业赢得竞争优势，提升职业发展水平。 学习内容： 1. **时间序列基础**：介绍时间序列的例子、分解（季节性、趋势、残差）、自相关和分解技术。 2. **预处理与可视化**：数据结构，CSV、Excel、HTML和JSON的导入，日期和时间格式，绘制多种图表（折线图、直方图）、聚合等。 3. **特征与条件**：移动平均、平稳时间序列，平稳性检验（对数和差分）、去除趋势和季节性成分。 4. **时间序列统计预测方法**：移动平均、指数平滑、霍尔特-温特斯法、ARIMA和Auto-ARIMA。 5. **机器学习与深度学习**：Keras简介，随机森林特征选择，多层感知器，长短期记忆神经网络（LSTM）和门控递归单元（GRU）。 6. **变换器**：变换器和PyTorch的基础，使用变换器进行时间序列预测的实例。 7. **异常检测**：如移动平均法、指数平滑、季节性和趋势分解（STL）以及ARIMA等异常检测技术。 课程还包括支持材料，如幻灯片、脚本和示例数据！您将与拥有10年以上经验的数据科学家学习，从数据导入和清理到强大的统计和机器学习算法实现，用于分析时间序列数据。 通过此课程，您将认识到用于时间序列分析的强大Python库，掌握常用技术、可视化方法以及可应用于时间序列数据的深度学习与机器学习技术。课程会通过实际的财务数据和股票数据来巩固您的理解，您将以易于理解的方式学习Python中的重要技术与方法，使复杂概念变得简单。 完成本课程后，您将轻松使用常见的时间序列包，并理解背后的概念，以便根据数据选择最合适的算法和方法。课程将实用代码与真实数据相结合，让您能够获得宝贵的实践经验。祝您学习愉快！
Curso totalmente atualizado em 2023!Este curso é o seu guia completo para análise de série temporal usando Python. Todos os principais aspectos da análise de dados temporais são estudados! Na era de big data, empresas em todo o mundo usam Python para avaliar a "avalanche" de informações à sua disposição. Tornando-se proficiente na análise de dados de séries temporais em Python, você pode dar à sua empresa uma vantagem competitiva e levar sua carreira para outro nível! Veja o que você vai estudar:Fundamentos de Séries Temporais: Exemplos de séries temporais, decomposição (sanonalidade, tendência, resíduos), autocorrelação, decomposição.Pré-Processamento e Visualização: Estruturas de Dados, importação de CSV, Excel, HTML e JSON, formatos de data e hora, gráficos diversos com gráficos de linhas e histogramas, agregações, variações e muito mais.Características e Condições: Médias móveis, séries estacionárias, teste de estacionariedade com Log e diferenciação, remoção de componentes como tendência e sanozalidade. Métodos Estatísticos de Previsão de Séries Temporais: Médias Móveis, Suaviação Exponencial, Holt Winters, Arima e Auto-Arima.Machine Learning e Deep Learning: Introdução ao Keras, Random Forest para seleção de atributos, multi layer Perceptron, Redes Neurais Recorrentes (RNN) com Long short-term memory (LSTM) e Gated recurrent units (GRU)Transformers: Introdução aos Transformers e Pytorch. Exemplos de uso de Transformers para previsão de séries temporais.Detecção de Anomalias: Técnicas como Média Móvel, Exponencial Smothing, Seasonal and Trend Decomposition (SLT) e Arima, voltadas para Detecção de AnomaliasInclui material de apoio, como slides,scripts e dados de exemplo!APRENDA COM UM CIENTISTA DE DADOS ESPECIALIZADO COM +10 ANOS DE EXPERIÊNCIANeste curso você vai aprender desde a importação e limpeza de dados até a implementação de poderosos algoritmos estatísticos e de aprendizado de máquina para analisar dados de séries temporais.Entre outras coisas:Você vai conhecer pacotes poderosos baseados em Python para análise de séries temporais.Você será apresentado às técnicas comumente usadas, métodos de visualização e técnicas de aprendizado profundo / de máquina que podem ser implementadas para dados de série temporal.e você aprenderá a aplicar essas estruturas a dados da vida real, incluindo ações e dados financeiros.Você começará absorvendo os fundamentos e técnicas mais importantes da ciência de dados Pytho, utilizando métodos práticos e fáceis de entender para simplificar e abordar até mesmo os conceitos mais difíceis em Python. O curso irá ajudá-lo a implementar os métodos usando DADOS REAIS obtidos de diferentes fontes. Depois de fazer este curso, você usará facilmente os pacotes de série temporal comuns em Python. Você ainda vai entender os conceitos subjacentes para entender quais algoritmos e métodos são mais adequados para seus dados.Trabalharemos com dados reais e você terá acesso a todos os códigos e dados utilizados no curso.Bons estudos!
