Анализ временных рядов на Python
Изучим регрессию, автокорреляция и рекуррентные нейросети для работы с временными рядами
Авторы: Центр digital-профессий ITtensive
Последнее обновление: 12.2022
русский
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
Описание
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
Изучим регрессию, автокорреляция и рекуррентные нейросети для работы с временными рядами
Авторы: Центр digital-профессий ITtensive
Последнее обновление: 12.2022
русский
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
Описание
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
Скрытое содержимое могут видеть только пользователи групп(ы): VIP