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

65

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