[Udemy] Анализ временных рядов на Python [Центр digital-профессий ITtensive]

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

Язык - русский