udemy
Udemy - одна из самых больших площадок в мире по доставке обучающего контента от разных авторов всего мира. Присутсвуют курсы практически на любую тему.
Анализ временных рядов, прогнозирование и машинное обучение
Time Series Analysis, Forecasting, and Machine Learning
★5 (всего оценок - 22)
Продолжительность
22 ч 47 мин
Категория
PythonКоличество уроков
170 Видео
Дата добавления
15 июл. 2022 г., 12:18
Язык
Английский
Дата выхода
18 мая 2022 г., 01:00
Дата обновления
29 апр. 2026 г., 15:31
Этот курс создан для тех, кто хочет не просто изучить основы анализа временных рядов, а освоить современные методы прогнозирования, включая глубокое обучение, ML‑модели и продвинутые статистические подходы.
Что вы освоите на этом курсе
Программа охватывает весь процесс работы с временными рядами — от базовой предобработки данных до построения точных и масштабируемых моделей прогнозирования.
Ключевые навыки
- Анализ и визуализация временных рядов
- Применение классических моделей ARIMA, SARIMA, ETS
- Использование методов машинного обучения для прогнозирования
- Разработка моделей LSTM, GRU и Temporal Convolutional Networks
- Оценка качества прогнозов и подбор гиперпараметров
Кому подходит этот курс
Материал будет полезен как начинающим специалистам по данным, так и тем, кто уже работает с моделями прогнозирования и хочет перейти на уровень современных ML‑технологий.
Этот курс для вас, если вы
- Работаете с данными и хотите углубиться в анализ временных рядов
- Занимаетесь бизнес‑аналитикой или финансовым моделированием
- Стремитесь автоматизировать прогнозирование с помощью ML‑подходов
- Хотите разобраться, как применять нейросети в реальных задачах
Что входит в программу
Основы временных рядов
- Стационарность, сезонность, тренды
- Методы сглаживания и декомпозиции
- Корреляции и автокорреляции
Статистические модели
- AR, MA, ARMA, ARIMA
- SARIMA для сезонных данных
- Прогнозирование с помощью ETS‑моделей
Машинное обучение и глубокое обучение
- Регрессия, деревья решений, ансамбли
- Нейронные сети для временных рядов
- LSTM, GRU, TCN и их применение
Продвинутая практика
- Feature engineering для временных рядов
- Hyperparameter tuning и кросс‑валидация
- Интеграция моделей в продакшн‑среду
Почему этот курс отличается
Курс сочетает теорию и практику, включает реальные кейсы и современные инструменты, что делает обучение максимально применимым к задачам бизнеса, финансов, промышленности и ИТ.
Преимущества
- Акцент на современных ML‑методах
- Подробные примеры кода и практические проекты
- Структурированная подача материала от простого к сложному
Это пробный урок. Оформите подписку, чтобы получить доступ ко всем материалам курса. Премиум
- Урок 1. 00:05:26Introduction and Outline
- Урок 2. 00:04:34Warmup (Optional)
- Урок 3. 00:08:00Where to Get the Code
- Урок 4. 00:08:57How to use Github & Extra Coding Tips (Optional)
- Урок 5. 00:04:19Time Series Basics Section Introduction
- Урок 6. 00:04:53What is a Time Series?
- Урок 7. 00:02:31Modeling vs. Predicting
- Урок 8. 00:05:57Why Do We Care About Shapes?
- Урок 9. 00:06:34Types of Tasks
- Урок 10. 00:06:04Power, Log, and Box-Cox Transformations
- Урок 11. 00:06:06Power, Log, and Box-Cox Transformations in Code
- Урок 12. 00:11:23Forecasting Metrics
- Урок 13. 00:11:03Financial Time Series Primer
- Урок 14. 00:03:07Price Simulations in Code
- Урок 15. 00:14:36Random Walks and the Random Walk Hypothesis
- Урок 16. 00:06:46The Naive Forecast and the Importance of Baselines
- Урок 17. 00:07:15Naive Forecast and Forecasting Metrics in Code
- Урок 18. 00:03:15Time Series Basics Section Summary
- Урок 19. 00:03:11Suggestion Box
- Урок 20. 00:03:03Exponential Smoothing Section Introduction
- Урок 21. 00:05:38Exponential Smoothing Intuition for Beginners
- Урок 22. 00:03:37SMA Theory
- Урок 23. 00:08:42SMA Code
- Урок 24. 00:11:08EWMA Theory
- Урок 25. 00:07:40EWMA Code
- Урок 26. 00:10:14SES Theory
- Урок 27. 00:11:56SES Code
- Урок 28. 00:07:56Holt's Linear Trend Model (Theory)
- Урок 29. 00:03:14Holt's Linear Trend Model (Code)
- Урок 30. 00:11:21Holt-Winters (Theory)
- Урок 31. 00:07:53Holt-Winters (Code)
- Урок 32. 00:09:07Walk-Forward Validation
- Урок 33. 00:08:30Walk-Forward Validation in Code
- Урок 34. 00:05:01Application: Sales Data
- Урок 35. 00:05:38Application: Stock Predictions
- Урок 36. 00:03:07SMA Application: COVID-19 Counting
- Урок 37. 00:02:09SMA Application: Algorithmic Trading
- Урок 38. 00:04:00Exponential Smoothing Section Summary
- Урок 39. 00:11:23(Optional) More About State-Space Models
- Урок 40. 00:05:19ARIMA Section Introduction
- Урок 41. 00:12:52Autoregressive Models - AR(p)
- Урок 42. 00:03:32Moving Average Models - MA(q)
- Урок 43. 00:10:46ARIMA
- Урок 44. 00:19:16ARIMA in Code
- Урок 45. 00:13:02Stationarity
- Урок 46. 00:09:51Stationarity in Code
- Урок 47. 00:10:11ACF (Autocorrelation Function)
- Урок 48. 00:06:56PACF (Partial Autocorrelation Funtion)
- Урок 49. 00:08:27ACF and PACF in Code (pt 1)
- Урок 50. 00:07:04ACF and PACF in Code (pt 2)
- Урок 51. 00:09:42Auto ARIMA and SARIMAX
- Урок 52. 00:09:51Model Selection, AIC and BIC
- Урок 53. 00:14:05Auto ARIMA in Code
- Урок 54. 00:15:46Auto ARIMA in Code (Stocks)
- Урок 55. 00:07:02ACF and PACF for Stock Returns
- Урок 56. 00:09:46Auto ARIMA in Code (Sales Data)
- Урок 57. 00:09:15How to Forecast with ARIMA
- Урок 58. 00:01:27Forecasting Out-Of-Sample
- Урок 59. 00:03:32ARIMA Section Summary
- Урок 60. 00:02:31Vector Autoregression Section Introduction
- Урок 61. 00:13:12VAR and VARMA Theory
- Урок 62. 00:07:37VARMA Code (pt 1)
- Урок 63. 00:06:48VARMA Code (pt 2)
- Урок 64. 00:06:26VARMA Code (pt 3)
- Урок 65. 00:07:52VARMA Econometrics Code (pt 1)
- Урок 66. 00:09:18VARMA Econometrics Code (pt 2)
- Урок 67. 00:04:29Granger Causality
- Урок 68. 00:03:20Granger Causality Code
- Урок 69. 00:11:46Converting Between Models (Optional)
- Урок 70. 00:03:40Vector Autoregression Section Summary
- Урок 71. 00:03:53Machine Learning Section Introduction
- Урок 72. 00:14:27Supervised Machine Learning: Classification and Regression
- Урок 73. 00:07:35Autoregressive Machine Learning Models
- Урок 74. 00:05:06Machine Learning Algorithms: Linear Regression
- Урок 75. 00:06:55Machine Learning Algorithms: Logistic Regression
- Урок 76. 00:10:03Machine Learning Algorithms: Support Vector Machines
- Урок 77. 00:06:53Machine Learning Algorithms: Random Forest
- Урок 78. 00:08:48Extrapolation and Stock Prices
- Урок 79. 00:13:01Machine Learning for Time Series Forecasting in Code (pt 1)
- Урок 80. 00:04:22Forecasting with Differencing
- Урок 81. 00:06:48Machine Learning for Time Series Forecasting in Code (pt 2)
- Урок 82. 00:05:25Application: Sales Data
- Урок 83. 00:04:53Application: Predicting Stock Prices and Returns
- Урок 84. 00:04:07Application: Predicting Stock Movements
- Урок 85. 00:02:24Machine Learning Section Summary
- Урок 86. 00:03:25Artificial Neural Networks: Section Introduction
- Урок 87. 00:09:59The Neuron
- Урок 88. 00:09:41Forward Propagation
- Урок 89. 00:09:44The Geometrical Picture
- Урок 90. 00:17:19Activation Functions
- Урок 91. 00:08:42Multiclass Classification
- Урок 92. 00:11:57ANN Code Preparation
- Урок 93. 00:10:16Feedforward ANN for Time Series Forecasting Code
- Урок 94. 00:08:51Feedforward ANN for Stock Return and Price Predictions Code
- Урок 95. 00:05:54Human Activity Recognition Dataset
- Урок 96. 00:06:24Human Activity Recognition: Code Preparation
- Урок 97. 00:07:36Human Activity Recognition: Data Exploration
- Урок 98. 00:11:00Human Activity Recognition: Multi-Input ANN
- Урок 99. 00:05:57Human Activity Recognition: Feature-Based Model
- Урок 100. 00:03:07Human Activity Recognition: Combined Model
- Урок 101. 00:10:50How Does a Neural Network "Learn"?
- Урок 102. 00:02:19Artificial Neural Networks: Section Summary
- Урок 103. 00:03:08CNN Section Introduction
- Урок 104. 00:16:39What is Convolution?
- Урок 105. 00:05:57What is Convolution? (Pattern-Matching)
- Урок 106. 00:06:56What is Convolution? (Weight Sharing)
- Урок 107. 00:15:59Convolution on Color Images
- Урок 108. 00:05:00Convolution for Time Series and ARIMA
- Урок 109. 00:23:22CNN Architecture
- Урок 110. 00:06:17CNN Code Preparation
- Урок 111. 00:06:46CNN for Time Series Forecasting in Code
- Урок 112. 00:06:23CNN for Human Activity Recognition
- Урок 113. 00:03:15CNN Section Summary
- Урок 114. 00:04:47RNN Section Introduction
- Урок 115. 00:09:21Simple RNN / Elman Unit (pt 1)
- Урок 116. 00:09:43Simple RNN / Elman Unit (pt 2)
- Урок 117. 00:03:31Aside: State Space Models vs. RNNs
- Урок 118. 00:08:39RNN Code Preparation
- Урок 119. 00:08:27RNNs: Understanding by Implementing (Paying Attention to Shapes)
- Урок 120. 00:17:36GRU and LSTM (pt 1)
- Урок 121. 00:11:37GRU and LSTM (pt 2)
- Урок 122. 00:09:29LSTMs for Time Series Forecasting in Code
- Урок 123. 00:06:11LSTMs for Time Series Classification in Code
- Урок 124. 00:03:19The Unreasonable Ineffectiveness of Recurrent Neural Networks
- Урок 125. 00:02:58RNN Section Summary
- Урок 126. 00:03:57GARCH Section Introduction
- Урок 127. 00:04:58ARCH Theory (pt 1)
- Урок 128. 00:07:37ARCH Theory (pt 2)
- Урок 129. 00:05:16ARCH Theory (pt 3)
- Урок 130. 00:07:41GARCH Theory
- Урок 131. 00:07:55GARCH Code Preparation (pt 1)
- Урок 132. 00:07:56GARCH Code Preparation (pt 2)
- Урок 133. 00:06:08GARCH Code (pt 1)
- Урок 134. 00:08:31GARCH Code (pt 2)
- Урок 135. 00:07:12GARCH Code (pt 3)
- Урок 136. 00:05:53GARCH Code (pt 4)
- Урок 137. 00:04:21GARCH Code (pt 5)
- Урок 138. 00:11:28A Deep Learning Approach to GARCH
- Урок 139. 00:06:37GARCH Section Summary
- Урок 140. 00:08:03AWS Forecast Section Introduction
- Урок 141. 00:09:17Data Model
- Урок 142. 00:04:10Creating an IAM Role
- Урок 143. 00:10:00Code pt 1 (Getting and Transforming the Data)
- Урок 144. 00:12:53Code pt 2 (Uploading the data to S3)
- Урок 145. 00:06:53Code pt 3 (Building your Model)
- Урок 146. 00:06:50Code pt 4 (Generating and Evaluating the Forecast)
- Урок 147. 00:02:55AWS Forecast Exercise
- Урок 148. 00:04:56AWS Forecast Section Summary
- Урок 149. 00:03:12Prophet Section Introduction
- Урок 150. 00:08:25How does Prophet work?
- Урок 151. 00:12:42Prophet: Code Preparation
- Урок 152. 00:09:00Prophet in Code: Data Preparation
- Урок 153. 00:08:31Prophet in Code: Fit, Forecast, Plot
- Урок 154. 00:10:20Prophet in Code: Holidays and Exogenous Regressors
- Урок 155. 00:06:08Prophet in Code: Cross-Validation
- Урок 156. 00:04:15Prophet in Code: Changepoint Detection
- Урок 157. 00:10:17Prophet: Multiplicative Seasonality, Outliers, Non-Daily Data
- Урок 158. 00:13:11(The Dangers of) Prophet for Stock Price Prediction
- Урок 159. 00:03:28Prophet Section Summary
- Урок 160. 00:20:21Anaconda Environment Setup
- Урок 161. 00:17:23How to install Numpy, Scipy, Matplotlib, Pandas, IPython, Theano, and TensorFlow
- Урок 162. 00:15:57How to Code by Yourself (part 1)
- Урок 163. 00:09:24How to Code by Yourself (part 2)
- Урок 164. 00:12:30Proof that using Jupyter Notebook is the same as not using it
- Урок 165. 00:10:25How to Succeed in this Course (Long Version)
- Урок 166. 00:22:05Is this for Beginners or Experts? Academic or Practical? Fast or slow-paced?
- Урок 167. 00:11:19Machine Learning and AI Prerequisite Roadmap (pt 1)
- Урок 168. 00:16:08Machine Learning and AI Prerequisite Roadmap (pt 2)
- Урок 169. 00:02:49What is the Appendix?
- Урок 170. 00:05:32BONUS Lecture
Автор - udemy
Комментарии