Dive straight in and learn about the most important properties of time series. You'll learn about stationarity and how this is important for ARMA models. You'll learn how to test for stationarity by eye and with a standard statistical test. Finally, you'll learn the basic structure of ARMA models and use this to generate some ARMA data and fit an ARMA model.

Introduzione alle serie temporali e alla stazionarietà

Esplorazione

Suddivisione train-test

È stazionaria?

Rendere stazionarie le serie temporali

Dickey-Fuller aumentato

Calcolare le differenze

Altre trasformazioni

Introduzione ai modelli AR, MA e ARMA

Ordine del modello

Generare dati ARMA

Prima di adattare il modello

ARMA Models

What lies ahead in this chapter is you predicting what lies ahead in your data. You'll learn how to use the elegant statsmodels package to fit ARMA, ARIMA and ARMAX models.  Then you'll use your models to predict the uncertain future of stock prices!

Fitting time series models

Fitting AR and MA models

Fitting an ARMA model

Fitting an ARMAX model

Forecasting

Generating one-step-ahead predictions

Plotting one-step-ahead predictions

Generating dynamic forecasts

Plotting dynamic forecasts

Intro to ARIMA models

Differencing and fitting ARMA

Unrolling ARMA forecast

Fitting an ARIMA model

Choosing ARIMA model

Fitting the Future

In this chapter, you will become a modeler of discerning taste. You'll learn how to identify promising model orders from the data itself, then, once the most promising models have been trained, you'll learn how to choose the best model from this fitted selection. You'll also learn a great framework for structuring your time series projects.

Intro to ACF and PACF

AR or MA

Order of earthquakes

Intro to AIC and BIC

Searching over model order

Choosing order with AIC and BIC

AIC and BIC vs ACF and PACF

Model diagnostics

Mean absolute error

Diagnostic summary statistics

Plot diagnostics

Box-Jenkins method

Identification

Identification II

Estimation

Diagnostics

The Best of the Best Models

In this final chapter, you'll learn how to use seasonal ARIMA models to fit more complex data. You'll learn how to decompose this data into seasonal and non-seasonal parts and then you'll get the chance to utilize all your ARIMA tools on one last global forecast challenge.

Seasonal time series

Seasonal decompose

Seasonal ACF and PACF

SARIMA models

Fitting SARIMA models

Choosing SARIMA order

SARIMA vs ARIMA forecasts

Automation and saving

Automated model selection

Saving and updating models

SARIMA and Box-Jenkins

Multiplicative vs additive seasonality

SARIMA model diagnostics

SARIMA forecast

Congratulations!

Seasonal ARIMA Models

US Monthly Candy Production

Monthly Record of CO2

Amazon Daily Closing Stock Price

Monthly Milk Production

Yearly Earthquakes

Hai mai provato a prevedere il futuro? Ciò che ci aspetta è un mistero che di solito si svela solo aspettando. In questo corso smetterai di aspettare e imparerai a usare i potenti modelli della classe ARIMA per fare previsioni. Userai il pacchetto statsmodels per analizzare serie temporali, costruire modelli su misura e prevedere in condizioni di incertezza. Come si muoverà il mercato azionario nelle prossime 24 ore? Come cambieranno i livelli di CO2 nel prossimo decennio? Quanti terremoti ci saranno l’anno prossimo? Imparerai a risolvere tutti questi problemi e altri ancora.

Hai mai provato a prevedere il futuro? Quello che ci aspetta è un mistero che di solito si risolve solo aspettando. In questo corso puoi smettere di aspettare e buttarti nel mondo della modellazione delle serie temporali usando i modelli ARIMA in Python per prevedere il futuro.<br><br><h2>Dati di serie temporali</h2>
Inizia imparando le basi dei dati delle serie temporali, compreso il concetto di stazionarietà, fondamentale per lavorare con i modelli ARMA. Imparerai come verificare la stazionarietà sia visivamente che statisticamente, generare dati ARMA e adattare modelli ARMA per avere una base solida.<br><br><h2>Pacchetto Statsmodels</h2>
Man mano che vai avanti, dai un'occhiata al pacchetto Statsmodels per adattare i modelli ARMA, ARIMA e ARMAX. Acquisirai esperienza pratica nell'uso dei tuoi modelli per prevedere valori futuri come i prezzi delle azioni.<br><br>
Rendendo questi concetti facili da capire e usare, scoprirai come fare previsioni un passo avanti, previsioni dinamiche e adattare i modelli ARIMA direttamente ai tuoi dati.<br><br><h2>Grafici ACF e PACF</h2>
Uno dei punti salienti è imparare a scegliere il modello migliore usando i grafici ACF e PACF per trovare gli ordini di modello più promettenti. Imparerai criteri come AIC e BIC per la selezione e la diagnostica dei modelli, che ti aiuteranno a perfezionare i tuoi modelli.​.<br><br><h2>Modelli SARIMA</h2>
Il corso si conclude con i modelli ARIMA stagionali (SARIMA), perfetti per gestire dati con andamenti stagionali. Imparerai a scomporre i dati delle serie temporali in componenti stagionali e non stagionali e a usare le tue competenze ARIMA in una sfida di previsione globale.
<br><br>Questo progetto finale mette insieme tutto quello che hai imparato, dandoti una comprensione completa della modellazione ARIMA.

Supervised Learning with scikit-learn

Scopri i modelli ARIMA in Python e diventa esperto nell'analisi delle serie temporali.

Modelli ARIMA in Python

Scopri i modelli ARIMA in Python e diventa un esperto nell'analisi delle serie temporali.

Introduzione alle serie temporali e alla stazionarietà

Create Your Free Account