Доступно [Udemy] Анализ временных рядов на Python (Николай Мациевский)

​

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

Спойлер: Что внутри?

01. Введение

• Введение.mp4

02. Линейная регрессия и скользящие окна

• Понятие временного ряда.mp4
• Цели анализа временных рядов.mp4
• Полиномиальные тренды.mp4
• Скользящие средние.mp4
• Метод экспоненциального сглаживания.mp4
• Сигнал и шум.mp4

03. Практикум Цены на зерно

• Цены на зерно.mp4
• Исходный код.html
• Скользящее окно.mp4
• Исходный код.html
• Экспоненциальное среднее.mp4
• Исходный код.html
• Модель Хольта-Винтерса.mp4
• Исходный код.html
• Частотный анализ.mp4
• Исходный код.html

04. Проект предсказание цен

• Фьючерсы на зерно.html

05. Эконометрический подход

• Авторегрессия.mp4
• Стационарность.mp4
• ARMA.mp4
• ARIMA.mp4
• SARIMA(X).mp4
• ADL и VA.mp4
• Автокорреляция.html

06. Практикум Курсы валют

• ARMA.mp4
• Исходный код.html
• ARIMA.mp4
• Исходный код.html
• SARIMA.mp4
• Исходный код.html
• PROPHET.mp4
• Исходный код.html
• Auto-TS.mp4
• Исходный код.html

07. Проект Объем экспорта

• Прогнозирование объема экспорта.txt

08. Методология анализа временных рядов и нейросети

• Анализ временных рядов.mp4
• Дрейф данных.mp4
• RNN.mp4
• LSTM.mp4
• GRU.mp4
• BiLSTM и ConvLST.mp4
• Рекуррентные нейросети.html

09. Практикум Активность потребителей

• Потребители энергии.mp4
• Исходный код.html
• CatBoost.mp4
• Исходный код.html
• RNN.mp4
• Исходный код.html
• LST.mp4
• Исходный код.html
• GRU.mp4
• Исходный код.html
• BiLST.mp4
• Исходный код.html

10. Курсовой проект

• Моделирование временного ряда.txt

11. Заключение

• Поздравления.mp4

Продажник: