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

[Moderator]

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:

• 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 раывать 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:

Ссылки и информация для скачивания: