Python 中的应用时间序列分析
使用Python和Tensorflow应用最新的统计和深度学习技术进行时间序列分析
讲师:Marco Peixeiro
口袋资源独家Udemy付费课程,独家中英文字幕,配套资料齐全!
用不到1/10的价格,即可享受同样的高品质课程,且可以完全拥有,随时随地都可以任意观看和分享。
你将学到什么
- 描述性统计与推论性统计
- 随机游走模型
- 移动平均模型
- 自回归
- ACF 和 PACF
- 平稳性
- ARIMA、SARIMA、SARIMAX
- VAR、VARMA、VARMAX
- 使用 Tensorflow 应用深度学习进行时间序列分析
- 线性模型、DNN、LSTM、CNN、ResNet
- 使用 Prophet 自动进行时间序列分析
要求
- Python基础知识
- 深度学习基础知识
- 安装了 Jupyter Notebook(或访问 Google Colab)
描述
这是唯一结合了最新统计和深度学习技术进行时间序列分析的课程。首先,课程涵盖时间序列的基本概念:
- 平稳性和增强迪克-富勒检验
- 季节性
- 白噪声
- 随机游走
- 自回归
- 移动平均线
- ACF 和 PACF,
- 使用 AIC(赤池信息准则)进行模型选择
然后,我们继续应用更复杂的统计模型进行时间序列预测:
- ARIMA(自回归综合移动平均模型)
- SARIMA(季节性自回归综合移动平均模型)
- SARIMAX(具有外生变量的季节性自回归综合移动平均模型)
我们还涵盖了多个时间序列预测:
- VAR(向量自回归)
- VARMA(向量自回归移动平均模型)
- VARMAX(具有外生变量的向量自回归移动平均模型)
然后,我们进入深度学习部分,我们将使用 Tensorflow 应用不同的深度学习技术进行时间序列分析:
- 简单线性模型(1层神经网络)
- DNN(深度神经网络)
- CNN(卷积神经网络)
- LSTM(长短期记忆)
- CNN + LSTM 模型
- ResNet(残差网络)
- 自回归 LSTM
在整个课程中,您将使用 Python 完成 5 个以上的端到端项目,并提供所有源代码。
本课程适合谁:
- 希望获得时间序列经验的初学者数据科学家
- 深度学习初学者对时间序列感到好奇
- 需要分析时间序列的专业数据科学家
- 数据科学家希望从 R 过渡到 Python
声明:口袋资源网(koudaizy.com)提供的所有课程、素材等资源全部来源于互联网,赞助VIP仅用于对口袋资源服务器带宽及网站运营等费用支出做支持,从本站下载资源,说明你已同意本条款。