Скачать [Центр digital-профессий ITtensive] [Udemy] Анализ временных рядов на Python (2023)

[IvX]

Автор: Центр digital-профессий ITtensive
Название: [Udemy] Анализ временных рядов на Python (2023)

Изучим регрессию, автокорреляция и рекуррентные нейросети для работы с временными рядами

Чему вы научитесь:

• Концепция скоротечных строев
  Представление направленностей скоротечного строя
  Предсказание скоротечного строя
  Прямолинейная и нелинейная авторегрессия
  ARMA, ARIMA, SARIMA(X)
  ADL и VAR
  RNN, LSTM и GRU
  
  Перемещенный Python
  Базы автомобильного преподавания
  
  Это дополнительный характер програмки Автомобильное образование от ITtensive по анализу скоротечных рядов.
  Был ознакомленным ориентируются 3 утилитарных задачи:
  Фьючерсы (цены) на зерно.
  Используя помесячные материалы фьючерсов на зерно на лондонской бирже и употребив комплекс античных способов - бегающего посредственного и полиномиальной регрессии - спрогнозируем стоимости в момент сведущей неопределенности.
  мониторинг фьючерсов на июнь 2022 возрасты
  
  Курсы валют.
  Исследуем радиочастотный и эконометрический подъезд ради представление и моделирования курса бакса к рублю. Выучимся раскладывать ряд на тренд, неравномерность и вариацию и использовать модификации ARMA, ARIMA, SARIMA, и векториальные (факторные) данные. Испытаем библиотеки Prophet и Auto-TS (автоматическое автомобильное обучение).
  мониторинг размера вывоза в декабре 2022 возрасты
  
  Действенность покупателей электроэнергии.
  Сориентируемся с нейронными сетями и на базе довольно неподвижного строя спрогнозируем его поведение, используя комплекс изо возвратных нейросетей.
  Многокурсовой проект: мониторинг курса акций, используя возвратные нейросети.
  Концепция после курсу включает:
  Представление и миссии разбора скоротечного строя
  Базисные техники - полиномиальные тренды и бегающее среднее
  Модификацию Хольта-Винтерса и цвета гула
  Регрессия и фиксированность строя
  AR/MA, ARIMA, SARIMA(X)
  ADL и VAR
  Методологию разбора скоротечных строев и дрейф предоставленных
  Возвратные нейросети
  LSTM, GRU, ConvLSTM и BiLSTM
  В довершение всего поглядим для модификации WaveNet и трансформеры (механизмы внимания).
  
  Для кого данный курс:
  Инженеры после данным, функционирующие с временными сериями
  Создатели Python, прогнозирующие кратковременные магазины
  Эксперты после данным, исследующие кратковременные подневольности

Скачать:

Качать без ограничений