|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/series-temporales/
课程评论：没有评论
《R与Python时间序列高级课程》 课程概述： 本课程旨在教授学员如何利用R和Python进行时间序列分析。时间序列数据在金融市场趋势预测、电力消耗预测等领域至关重要。例如，预测一天中电力消耗高峰有助于调整电价或电力生产，或指导消费者何时使用高耗能电器以节省开支。 时间序列是一系列按时间顺序排列的测量数据，可以是等间隔（如每日气温）或不等间隔（如定期体检体重）。时间序列分析的核心问题包括： * **平稳性 (Stationarity)**：序列的统计性质（均值、方差）是否随时间保持不变？ * **季节性 (Seasonality)**：序列是否表现出周期性模式？ * **自相关性 (Autocorrelation)**：目标变量是否与过去的值相关？ 时间序列分析方法有助于解读数据，提取数据间的潜在关系，并允许在不同程度上通过外推（预测未来或过去）或内插（预测中间值）来进行预测。本课程将使用R和Python这两种编程语言，全面讲解时间序列分析所需知识。 课程内容： 本课程将涵盖以下内容： * **时间序列概念**：从基础出发，理解时间序列的定义和特性。 * **建模与创建**：学习如何在R和Python中对时间序列进行建模和创建。 * **分析技术**：深入学习超过10种不同的时间序列分析技术。 * **相关性分析**：理解变量之间以及变量与时间之间的相关性。 * **未来预测**：应用所学知识预测股票价格、疫情结束时间、或热浪持续时间等。 课程资源： 学员将获得： * **完整源代码**：从零开始的学习代码。 * **代码模板**：可用于自行分析的现成代码模板。 * **专属社区**：与其他学员交流学习的平台。 * **高质量视频**：超过14小时的详细教学视频。 目标： 完成本课程后，学员将能够独立进行时间序列分析，并自信地进行预测。 期待在课堂上见到大家，希望您能享受《R与Python时间序列高级课程》！
Ya sea que queremos predecir la tendencia en los mercados financieros o el consumo de electricidad, el tiempo es un factor importante que debe considerarse en nuestros modelos. Por ejemplo, sería interesante pronosticar a qué hora del día habrá un consumo máximo de electricidad, como ajustar el precio o la producción de electricidad, o como consumidor, cuándo poner los electrodomésticos que más consumen para ahorrarnos dinero.Una serie temporal o serie de tiempo, es una sucesión de datos medidos en determinados momentos y ordenados cronológicamente. Los datos pueden estar espaciados a intervalos iguales (como la temperatura en un observatorio meteorológico en días sucesivos al mediodía) o desiguales (como el peso de una persona en sucesivas mediciones en el consultorio médico, la farmacia, etc.). En particular, en el análisis de series temporales, suelen surgir de forma natural preguntas muy concretas como por ejemplo¿Es estacionario?¿Hay una estacionalidad?¿La variable objetivo está autocorrelacionada?Para el análisis de las series temporales o series de tiempo, se usan métodos que ayudan a interpretarlas y que permiten extraer información representativa sobre las relaciones subyacentes entre los datos de la serie o de diversas series y que permiten en diferente medida y con distinta confianza extrapolar o interpolar los datos y así predecir el comportamiento de la serie en momentos no observados, sean en el futuro (extrapolación pronóstica), en el pasado (extrapolación retrógrada) o en momentos intermedios (interpolación). Todo lo que necesitas para poder llevar a cabo este tipo de análisis lo tienes explicado en este curso con dos lenguajes de programación, R y Python.En nuestro curso cubriremos desde el concepto de serie de tiempo, su modelización y creación tanto en R como en Python, y más de 10 técnicas diferentes sobre como analizarlas correctamente, entender las correlaciones entre las diferentes variables de nuestros datos y el tiempo y a hacer pronósticos a futuro sobre cual será el próximo precio de una acción, cuando terminará el confinamiento debido al COVID19 o cuando terminará la ola de calor en una determinada región.Además, tendrás todo el código fuente desde el minuto cero, plantillas de código para utilizar en tus propios análisis, acceso a una comunidad exclusiva de estudiantes, que como tu, buscan aprender acerca del análisis de series temporales, y más de 14 horas de video de alta calidad con todas las explicaciones necesarias para convertirte en el próximo Lobo de Wall Street.Nos vemos en clase y esperamos que disfrutes de nuestro curso avanzado de series temporales con R y Python.
