Главная страницаКатегория pythonАнализ временных рядов, прогнозирование и машинное обучение

Анализ временных рядов, прогнозирование и машинное обучение

Name: Анализ временных рядов, прогнозирование и машинное обучение
Price: 13 USD
Rating: 5 (22 reviews)

Time Series Analysis, Forecasting, and Machine Learning

udemy

★5 (всего оценок - 22)

Анализ временных рядов, прогнозирование и машинное обучение

Начать Сейчас

Продолжительность

22 ч 47 мин

Категория

Python

Количество уроков

170 Видео

Дата добавления

15 июл. 2022 г., 12:18

Язык

Английский

Дата выхода

18 мая 2022 г., 01:00

Позвольте мне перейти к делу. Это не обычный курс анализа временных рядов. Этот курс охватывает современные разработки, такие как глубокое обучение, классификация временных рядов (которые могут помочь пользователям понять данные смартфона или прочитать ваши мысли по электрической активности мозга) и многое другое.

Анализ временных рядов стал особенно важной областью в последние годы.

В условиях роста инфляции многие обращаются к фондовому рынку и криптовалютам, чтобы их сбережения не обесценились.
COVID-19 показал нам, как прогнозирование является важным инструментом для принятия решений в области общественного здравоохранения.
Предприятия становятся все более эффективными, заранее прогнозируя запасы и операционные потребности.

Мы рассмотрим такие техники, как:

ETS и экспоненциальное сглаживание
Модель линейного тренда Холта
Модель Холта-Уинтерса
ARIMA, SARIMA, SARIMAX и Auto ARIMA
АКФ (автокорреляционная функция) и ПАКФ
Модели векторной авторегрессии и скользящего среднего (VAR, VMA, VARMA)
Модели машинного обучения (включая логистическую регрессию, машины опорных векторов и случайные леса)
Модели глубокого обучения (искусственные нейронные сети, сверточные нейронные сети и рекуррентные нейронные сети)
GRU и LSTM для прогнозирования временных рядов

Мы рассмотрим такие приложения, как:

Прогнозирование временных рядов данных о продажах
Прогнозирование временных рядов цен акций и доходности акций
Классификация временных рядов данных смартфонов для прогнозирования поведения пользователей

Посмотреть больше

Это пробный урок. Оформите подписку, чтобы получить доступ ко всем материалам курса. Премиум

Урок 1. 00:05:26
Introduction and Outline
Урок 2. 00:04:34
Warmup (Optional)
Урок 3. 00:08:00
Where to Get the Code
Урок 4. 00:08:57
How to use Github & Extra Coding Tips (Optional)
Урок 5. 00:04:19
Time Series Basics Section Introduction
Урок 6. 00:04:53
What is a Time Series?
Урок 7. 00:02:31
Modeling vs. Predicting
Урок 8. 00:05:57
Why Do We Care About Shapes?
Урок 9. 00:06:34
Types of Tasks
Урок 10. 00:06:04
Power, Log, and Box-Cox Transformations
Урок 11. 00:06:06
Power, Log, and Box-Cox Transformations in Code
Урок 12. 00:11:23
Forecasting Metrics
Урок 13. 00:11:03
Financial Time Series Primer
Урок 14. 00:03:07
Price Simulations in Code
Урок 15. 00:14:36
Random Walks and the Random Walk Hypothesis
Урок 16. 00:06:46
The Naive Forecast and the Importance of Baselines
Урок 17. 00:07:15
Naive Forecast and Forecasting Metrics in Code
Урок 18. 00:03:15
Time Series Basics Section Summary
Урок 19. 00:03:11
Suggestion Box
Урок 20. 00:03:03
Exponential Smoothing Section Introduction
Урок 21. 00:05:38
Exponential Smoothing Intuition for Beginners
Урок 22. 00:03:37
SMA Theory
Урок 23. 00:08:42
SMA Code
Урок 24. 00:11:08
EWMA Theory
Урок 25. 00:07:40
EWMA Code
Урок 26. 00:10:14
SES Theory
Урок 27. 00:11:56
SES Code
Урок 28. 00:07:56
Holt's Linear Trend Model (Theory)
Урок 29. 00:03:14
Holt's Linear Trend Model (Code)
Урок 30. 00:11:21
Holt-Winters (Theory)
Урок 31. 00:07:53
Holt-Winters (Code)
Урок 32. 00:09:07
Walk-Forward Validation
Урок 33. 00:08:30
Walk-Forward Validation in Code
Урок 34. 00:05:01
Application: Sales Data
Урок 35. 00:05:38
Application: Stock Predictions
Урок 36. 00:03:07
SMA Application: COVID-19 Counting
Урок 37. 00:02:09
SMA Application: Algorithmic Trading
Урок 38. 00:04:00
Exponential Smoothing Section Summary
Урок 39. 00:11:23
(Optional) More About State-Space Models
Урок 40. 00:05:19
ARIMA Section Introduction
Урок 41. 00:12:52
Autoregressive Models - AR(p)
Урок 42. 00:03:32
Moving Average Models - MA(q)
Урок 43. 00:10:46
ARIMA
Урок 44. 00:19:16
ARIMA in Code
Урок 45. 00:13:02
Stationarity
Урок 46. 00:09:51
Stationarity in Code
Урок 47. 00:10:11
ACF (Autocorrelation Function)
Урок 48. 00:06:56
PACF (Partial Autocorrelation Funtion)
Урок 49. 00:08:27
ACF and PACF in Code (pt 1)
Урок 50. 00:07:04
ACF and PACF in Code (pt 2)
Урок 51. 00:09:42
Auto ARIMA and SARIMAX
Урок 52. 00:09:51
Model Selection, AIC and BIC
Урок 53. 00:14:05
Auto ARIMA in Code
Урок 54. 00:15:46
Auto ARIMA in Code (Stocks)
Урок 55. 00:07:02
ACF and PACF for Stock Returns
Урок 56. 00:09:46
Auto ARIMA in Code (Sales Data)
Урок 57. 00:09:15
How to Forecast with ARIMA
Урок 58. 00:01:27
Forecasting Out-Of-Sample
Урок 59. 00:03:32
ARIMA Section Summary
Урок 60. 00:02:31
Vector Autoregression Section Introduction
Урок 61. 00:13:12
VAR and VARMA Theory
Урок 62. 00:07:37
VARMA Code (pt 1)
Урок 63. 00:06:48
VARMA Code (pt 2)
Урок 64. 00:06:26
VARMA Code (pt 3)
Урок 65. 00:07:52
VARMA Econometrics Code (pt 1)
Урок 66. 00:09:18
VARMA Econometrics Code (pt 2)
Урок 67. 00:04:29
Granger Causality
Урок 68. 00:03:20
Granger Causality Code
Урок 69. 00:11:46
Converting Between Models (Optional)
Урок 70. 00:03:40
Vector Autoregression Section Summary
Урок 71. 00:03:53
Machine Learning Section Introduction
Урок 72. 00:14:27
Supervised Machine Learning: Classification and Regression
Урок 73. 00:07:35
Autoregressive Machine Learning Models
Урок 74. 00:05:06
Machine Learning Algorithms: Linear Regression
Урок 75. 00:06:55
Machine Learning Algorithms: Logistic Regression
Урок 76. 00:10:03
Machine Learning Algorithms: Support Vector Machines
Урок 77. 00:06:53
Machine Learning Algorithms: Random Forest
Урок 78. 00:08:48
Extrapolation and Stock Prices
Урок 79. 00:13:01
Machine Learning for Time Series Forecasting in Code (pt 1)
Урок 80. 00:04:22
Forecasting with Differencing
Урок 81. 00:06:48
Machine Learning for Time Series Forecasting in Code (pt 2)
Урок 82. 00:05:25
Application: Sales Data
Урок 83. 00:04:53
Application: Predicting Stock Prices and Returns
Урок 84. 00:04:07
Application: Predicting Stock Movements
Урок 85. 00:02:24
Machine Learning Section Summary
Урок 86. 00:03:25
Artificial Neural Networks: Section Introduction
Урок 87. 00:09:59
The Neuron
Урок 88. 00:09:41
Forward Propagation
Урок 89. 00:09:44
The Geometrical Picture
Урок 90. 00:17:19
Activation Functions
Урок 91. 00:08:42
Multiclass Classification
Урок 92. 00:11:57
ANN Code Preparation
Урок 93. 00:10:16
Feedforward ANN for Time Series Forecasting Code
Урок 94. 00:08:51
Feedforward ANN for Stock Return and Price Predictions Code
Урок 95. 00:05:54
Human Activity Recognition Dataset
Урок 96. 00:06:24
Human Activity Recognition: Code Preparation
Урок 97. 00:07:36
Human Activity Recognition: Data Exploration
Урок 98. 00:11:00
Human Activity Recognition: Multi-Input ANN
Урок 99. 00:05:57
Human Activity Recognition: Feature-Based Model
Урок 100. 00:03:07
Human Activity Recognition: Combined Model
Урок 101. 00:10:50
How Does a Neural Network "Learn"?
Урок 102. 00:02:19
Artificial Neural Networks: Section Summary
Урок 103. 00:03:08
CNN Section Introduction
Урок 104. 00:16:39
What is Convolution?
Урок 105. 00:05:57
What is Convolution? (Pattern-Matching)
Урок 106. 00:06:56
What is Convolution? (Weight Sharing)
Урок 107. 00:15:59
Convolution on Color Images
Урок 108. 00:05:00
Convolution for Time Series and ARIMA
Урок 109. 00:23:22
CNN Architecture
Урок 110. 00:06:17
CNN Code Preparation
Урок 111. 00:06:46
CNN for Time Series Forecasting in Code
Урок 112. 00:06:23
CNN for Human Activity Recognition
Урок 113. 00:03:15
CNN Section Summary
Урок 114. 00:04:47
RNN Section Introduction
Урок 115. 00:09:21
Simple RNN / Elman Unit (pt 1)
Урок 116. 00:09:43
Simple RNN / Elman Unit (pt 2)
Урок 117. 00:03:31
Aside: State Space Models vs. RNNs
Урок 118. 00:08:39
RNN Code Preparation
Урок 119. 00:08:27
RNNs: Understanding by Implementing (Paying Attention to Shapes)
Урок 120. 00:17:36
GRU and LSTM (pt 1)
Урок 121. 00:11:37
GRU and LSTM (pt 2)
Урок 122. 00:09:29
LSTMs for Time Series Forecasting in Code
Урок 123. 00:06:11
LSTMs for Time Series Classification in Code
Урок 124. 00:03:19
The Unreasonable Ineffectiveness of Recurrent Neural Networks
Урок 125. 00:02:58
RNN Section Summary
Урок 126. 00:03:57
GARCH Section Introduction
Урок 127. 00:04:58
ARCH Theory (pt 1)
Урок 128. 00:07:37
ARCH Theory (pt 2)
Урок 129. 00:05:16
ARCH Theory (pt 3)
Урок 130. 00:07:41
GARCH Theory
Урок 131. 00:07:55
GARCH Code Preparation (pt 1)
Урок 132. 00:07:56
GARCH Code Preparation (pt 2)
Урок 133. 00:06:08
GARCH Code (pt 1)
Урок 134. 00:08:31
GARCH Code (pt 2)
Урок 135. 00:07:12
GARCH Code (pt 3)
Урок 136. 00:05:53
GARCH Code (pt 4)
Урок 137. 00:04:21
GARCH Code (pt 5)
Урок 138. 00:11:28
A Deep Learning Approach to GARCH
Урок 139. 00:06:37
GARCH Section Summary
Урок 140. 00:08:03
AWS Forecast Section Introduction
Урок 141. 00:09:17
Data Model
Урок 142. 00:04:10
Creating an IAM Role
Урок 143. 00:10:00
Code pt 1 (Getting and Transforming the Data)
Урок 144. 00:12:53
Code pt 2 (Uploading the data to S3)
Урок 145. 00:06:53
Code pt 3 (Building your Model)
Урок 146. 00:06:50
Code pt 4 (Generating and Evaluating the Forecast)
Урок 147. 00:02:55
AWS Forecast Exercise
Урок 148. 00:04:56
AWS Forecast Section Summary
Урок 149. 00:03:12
Prophet Section Introduction
Урок 150. 00:08:25
How does Prophet work?
Урок 151. 00:12:42
Prophet: Code Preparation
Урок 152. 00:09:00
Prophet in Code: Data Preparation
Урок 153. 00:08:31
Prophet in Code: Fit, Forecast, Plot
Урок 154. 00:10:20
Prophet in Code: Holidays and Exogenous Regressors
Урок 155. 00:06:08
Prophet in Code: Cross-Validation
Урок 156. 00:04:15
Prophet in Code: Changepoint Detection
Урок 157. 00:10:17
Prophet: Multiplicative Seasonality, Outliers, Non-Daily Data
Урок 158. 00:13:11
(The Dangers of) Prophet for Stock Price Prediction
Урок 159. 00:03:28
Prophet Section Summary
Урок 160. 00:20:21
Anaconda Environment Setup
Урок 161. 00:17:23
How to install Numpy, Scipy, Matplotlib, Pandas, IPython, Theano, and TensorFlow
Урок 162. 00:15:57
How to Code by Yourself (part 1)
Урок 163. 00:09:24
How to Code by Yourself (part 2)
Урок 164. 00:12:30
Proof that using Jupyter Notebook is the same as not using it
Урок 165. 00:10:25
How to Succeed in this Course (Long Version)
Урок 166. 00:22:05
Is this for Beginners or Experts? Academic or Practical? Fast or slow-paced?
Урок 167. 00:11:19
Machine Learning and AI Prerequisite Roadmap (pt 1)
Урок 168. 00:16:08
Machine Learning and AI Prerequisite Roadmap (pt 2)
Урок 169. 00:02:49
What is the Appendix?
Урок 170. 00:05:32
BONUS Lecture

Автор - udemy

udemy

Udemy - одна из самых больших площадок в мире по доставке обучающего контента от разных авторов всего мира. Присутсвуют курсы практически на любую тему.

+194