در حال حاضر محصولی در سبد خرید شما وجود ندارد.
با مشاهده این کورس آموزشی از طریق انجام پروژه های واقعی و به زبانی بسیار ساده مطالب فراوانی را در رابطه با Python یاد می گیرید.
عنوان اصلی : Time Series Analysis in Python
1. معرفی:
دوره شامل چه مواردی می شود
2. تنظیم محیط کار:
نصب آناکوندا
نصب پکیج های لازم
داشبورد Jupyter - قسمت 1
داشبورد Jupyter - قسمت 2
راه اندازی محیط - لطفا رد نشوید!
چرا پایتون و ژوپیتر-
3. مقدمه ای بر سری زمانی در پایتون:
بررسی داده ها
مقدمه ای بر داده های سری زمانی
در حال بارگیری داده ها
نشانه گذاری برای داده های سری زمانی
ویژگی های خاص
ترسیم داده ها
طرح QQ
تبدیل ورودی های رشته به مقادیر DateTime
4. ایجاد یک شی سری زمانی در پایتون:
اضافه کردن و حذف ستون ها در یک قاب داده
پر کردن مقادیر از دست رفته
تنظیم فرکانس
تقسیم کردن داده ها
تبدیل ورودی های رشته به مقادیر DateTime
استفاده از تاریخ به عنوان شاخص
5. کار با سری زمانی در پایتون:
همبستگی بین ارزش های گذشته و حال
تعیین ایستایی فرم ضعیف
پیاده روی تصادفی
فصلی بودن
ایستایی
ACF
PACF
نویز سفید
6. انتخاب مدل صحیح:
راهنمای سریع برای انتخاب مدل صحیح
7. مدل خودرگرسیون (AR):
بررسی ACF و PACF قیمت ها
بررسی ACF و PACF از بازگشت
بررسی بقایای مدل AR
برازش یک مدل AR(1) برای قیمتهای شاخص
برازش یک مدل AR(1) برای بازده شاخص
مناسب کردن مدلهای AR با تاخیر بالاتر برای قیمتها
مناسب کردن مدلهای AR با تاخیر بالاتر برای بازگشت
انتخاب مدل برای بازده عادی
عادی سازی مقادیر
مدل AR
شوک های غیرمنتظره از دوره های گذشته
استفاده از Returns
8. مدل میانگین متحرک (MA):
بررسی باقیمانده های مدل MA برای بازگشت
برازش یک مدل MA(1) برای قیمت ها
برازش یک مدل MA(1) برای بازگشت
برازش مدل های MA با تاخیر بالاتر برای بازگشت
انتخاب مدل برای بازده عادی
مقادیر گذشته و خطاهای گذشته
مدل MA
9. مدل میانگین متحرک خود رگرسیون (ARMA):
ARMA برای قیمت ها
مدل های ARMA و داده های غیر ثابت
بررسی بقایای بازده مدل ARMA
نصب مدل ARMA با تاخیر بالاتر برای بازگشت - قسمت 1
نصب مدل ARMA با تاخیر بالاتر برای بازگشت - قسمت 2
نصب مدل ARMA با تاخیر بالاتر برای بازگشت - قسمت 3
نصب یک مدل ARMA ساده برای بازگشت
مدل آریما
مدل ARMA
10. مدل میانگین متحرک یکپارچه خودرگرسیون (ARIMA):
نصب مدل ARIMA با تاخیر بالاتر برای قیمت - قسمت 1
نصب مدل ARIMA با تاخیر بالاتر برای قیمت - قسمت 2
نصب یک مدل ساده ARIMA برای قیمت ها
سطوح بالاتر ادغام
عوامل خارجی و مدل ARIMAX
پیش بینی ثبات
مدل های فصلی - مدل SARIMAX
مدل ARIMA_2
استفاده از مدل های ARIMA برای بازگشت
11. مدل ARCH:
نگاهی دقیق تر به مدل ARCH
معادل ARMA مدل ARCH
مدل های ARCH با تاخیر بالاتر
مدل ARCH
روش arch_model
ARMA و GARCH
مدل ARCH ساده
نوسان
12. مدل GARCH:
جایگزینی برای فرآیند انتخاب مدل
مدل های GARCH با تاخیر بالاتر
ARMA و GARCH
مدل GARCH
مدل ساده GARCH
13. Auto ARIMA:
آرگومان های خودکار ARIMA پیشرفته
خودکار ARIMA
آرگومان های پایه خودکار ARIMA
آماده سازی پایتون برای انتخاب مدل
پیش فرض بهترین تناسب
هدف پشت مدلینگ
14. پیش بینی:
پیش بینی پیشرفته (مدل های فصلی)
ضمیمه- پیش بینی رگرسیون چندگانه
پیش بینی خودکار ARIMA
پیش بینی نوسانات
پیش بینی متوسط (مدل های MAX)
مقدمه ای بر پیش بینی
مشکلات پیش بینی
پیش بینی ساده (بازده با AR و MA)
15. پرونده تجاری:
مورد تجاری - نگاهی به صنعت خودرو
Time Series Analysis in Python
در این روش نیاز به افزودن محصول به سبد خرید و تکمیل اطلاعات نیست و شما پس از وارد کردن ایمیل خود و طی کردن مراحل پرداخت لینک های دریافت محصولات را در ایمیل خود دریافت خواهید کرد.
اطلاع رسانی حذف دوره های قدیمی و تخفیفات نوروزی مشاهده