Zkoušeli jste někdy předpovědět budoucnost? Co nás čeká dál, je záhada, kterou obvykle vyřeší jen čekání. V tomto kurzu už nemusíš čekat a můžeš se ponořit do světa modelování časových řad pomocí modelů ARIMA v Pythonu a předpovídat budoucnost.

Data časových řad

Začněte tím, že se naučíte základy časových řad, včetně konceptu stacionarity — klíčového pro práci s modely ARMA. Naučíte se, jak testovat stacionaritu vizuálně i statisticky, generovat data ARMA a fitovat modely ARMA, abyste získali pevný základ.

Balíček Statsmodels

Jak budete postupovat, prozkoumejte výkonný balíček Statsmodels pro vytváření modelů ARMA, ARIMA a ARMAX. Získáte praktické zkušenosti s využitím svých modelů k předpovídání budoucích hodnot, jako jsou ceny akcií.

Zpřístupníme vám tyto koncepty tak, aby byly snadno pochopitelné a použitelné, a objevíte tvorbu předpovědí o jeden krok dopředu, dynamických prognóz a přizpůsobování modelů ARIMA přímo vašim datům.

Grafy ACF a PACF

Jedním z hlavních lákadel je naučit se, jak vybrat nejlepší model pomocí grafů ACF a PACF k identifikaci slibných řádů modelu. Dozvíte se o kritériích, jako jsou AIC a BIC, pro výběr modelu a diagnostiku, což vám pomůže doladit vaše modely k dokonalosti.

Modely SARIMA

Kurz zakončíme modely sezónní ARIMA (SARIMA), které jsou ideální pro práci s daty se sezónními vzory. Naučíte se rozložit data časových řad na sezónní a nesezónní složky a uplatnit své dovednosti v ARIMA v globální prognostické výzvě.

Tento závěrečný projekt propojuje vše dohromady a poskytne vám komplexní porozumění modelování ARIMA.

Řád modelu

ARIMA modely v Pythonu

Interaktivní praktické cvičení