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。
