Amerikano
Модератор
- Сообщения
- 19,549
- Реакции
- 373,653
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:
Подробнее:
Скачать:
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
Подробнее:
Для просмотра ссылок Войдите в аккаунт или Зарегистрируйтесь
Скачать:
Для просмотра ссылок Войдите в аккаунт или Зарегистрируйтесь
Похожие темы из этого раздела:
- [Андрей Борисенко] Инвестирование. Все секреты умножения денег в одном курсе! [Udemy] (2024)
- [Алексей Леонтьев] Финансовый контроллинг затрат на сырье и материалы [Udemy] (2024)
- [Алексей Леонтьев] Магия сводных таблиц Microsoft Excel [Udemy] (2024)
- [Tunde Victor Olonitola] Публикуйте раскраски, иллюстрации и кулинарные книги для пассивного дохода [Udemy] (2024)
- [Vassilyi Gudomarov] Верстка и создание сайтов, полный курс - HTML5 CSS [Udemy] (2024)
- [Udemy] ИИ в освоении науки - ведущая роль ChatGPT (2024)
- [Anatolii Domin] Unreal Engine 5 Синематик и Анимация с нуля до профессионала [Udemy] (2024)
- [Cortez Lake] Кибербезопасность на основе искусственного интеллекта [Udemy] (2024)
- [Udemy] Опционная стратегия: Торговля КРОК (низкий риск, профессиональный уровень) (2022)
- [Apexity by Apex Hatchers] Стратегическое креативное мышление [Udemy] (2024)