MegaAdmin
Администратор
- Регистрация
- 11.08.15
- Сообщения
- 60,932
- Реакции
- 296,549
- #1
Голосов: 0
Автор: Центр digital-профессий ITtensive
Название: Анализ временных рядов на Python (2023)
Изучим регрессию, автокорреляция и рекуррентные нейросети для работы с временными рядами
Чему вы научитесь:
Скачать:
Если у Вас нет Премиум статуса:
Название: Анализ временных рядов на Python (2023)
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 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
Скачать:
Если у Вас нет Премиум статуса:
Похожие темы
- [Udemy] Тестирование API (Postman) (2024)
- [Stepik] Подготовка к собеседованию на Data Engineer (2024)
- [Чхави Радж Досадж] [Питер] Сам себе тестировщик. Пошаговое руководство по тестированию ПО (2024)
- [Ваутер Грунефелд] [Питер] Креативный программист (2024)
- [Хосе Аро Перальта] [Питер] Микросервисы и API (2024)
- [Пол Дейтел, Харви Дейтел] [Питер] C++20 для программистов (2024)
- [GetAnalyst] Интеграции - подходы к решению практических задач (2024)
- [Алексей Ильющенко] [Stepik] Разработка мобильных и PC приложений на Python. Фреймворк Kivy (2024)
- [shultais.education] Дата и время в Python 3 (2024)
- [shultais.education] Функциональное программирование в Python 3 (2024)