Mergulhe de cabeça e conheça as propriedades mais importantes de séries temporais. Você vai aprender sobre estacionariedade e por que isso é importante para modelos ARMA. Vai aprender a testar estacionariedade visualmente e com um teste estatístico padrão. Por fim, vai conhecer a estrutura básica dos modelos ARMA e usá-la para gerar alguns dados ARMA e ajustar um modelo ARMA.

Introdução a séries temporais e estacionaridade

Exploração

Divisões de treino e teste

É estacionária?

Tornando séries temporais estacionárias

Dickey-Fuller Aumentado

Calculando a diferença

Outras transformações

Introdução aos modelos AR, MA e ARMA

Ordem do modelo

Gerando dados ARMA

Ajuste: prelúdio

Modelos ARMA

O que vem pela frente neste capítulo é você prevendo o que vem pela frente nos seus dados. Você vai aprender a usar o elegante pacote statsmodels para ajustar modelos ARMA, ARIMA e ARMAX. Depois, vai usar seus modelos para prever o futuro incerto dos preços das ações!

Ajustando modelos de séries temporais

Ajustando modelos AR e MA

Ajustando um modelo ARMA

Ajustando um modelo ARMAX

Previsão

Gerando previsões de um passo à frente

Plotando previsões de um passo à frente

Gerando previsões dinâmicas

Plotando previsões dinâmicas

Introdução aos modelos ARIMA

Diferenciação e ajuste de ARMA

Desenrolando a previsão ARMA

Ajustando um modelo ARIMA

Escolhendo o modelo ARIMA

Ajustando o Futuro

Neste capítulo, você vai se tornar um modelador de gosto apurado. Vai aprender a identificar ordens de modelo promissoras a partir dos próprios dados e, depois que os modelos mais promissores forem treinados, vai aprender a escolher o melhor modelo desse conjunto ajustado. Você também vai conhecer um ótimo framework para estruturar seus projetos de séries temporais.

Introdução a ACF e PACF

AR ou MA

Ordem dos terremotos

Introdução a AIC e BIC

Buscando a ordem do modelo

Escolhendo a ordem com AIC e BIC

AIC e BIC vs ACF e PACF

Diagnóstico do modelo

Erro absoluto médio

Estatísticas de diagnóstico do resumo

Diagnóstico com gráficos

Método de Box-Jenkins

Identificação

Identificação II

Estimativa

Diagnósticos

Os Melhores entre os Melhores

Neste capítulo final, você vai aprender a usar modelos ARIMA sazonais para ajustar dados mais complexos. Você vai aprender a decompor esses dados em partes sazonais e não sazonais e, em seguida, terá a chance de usar todas as suas ferramentas de ARIMA em um último desafio de previsão global.

Séries temporais sazonais

Decomposição sazonal

ACF e PACF sazonais

Modelos SARIMA

Ajustando modelos SARIMA

Escolhendo a ordem do SARIMA

Previsões SARIMA vs ARIMA

Automação e salvamento

Seleção automática de modelos

Salvando e atualizando modelos

SARIMA e Box-Jenkins

Sazonalidade multiplicativa vs aditiva

Diagnóstico do modelo SARIMA

Previsão com SARIMA

Parabéns!

Modelos ARIMA Sazonais

US Monthly Candy Production

Monthly Record of CO2

Amazon Daily Closing Stock Price

Monthly Milk Production

Yearly Earthquakes

Você já tentou prever o futuro? O que vem pela frente é um mistério que normalmente só se resolve esperando. Neste curso, você vai parar de esperar e aprender a usar os poderosos modelos da classe ARIMA para fazer previsões. Você vai aprender a usar o pacote statsmodels para analisar séries temporais, construir modelos sob medida e prever sob incerteza. Como o mercado de ações vai se mover nas próximas 24 horas? Como os níveis de CO2 vão mudar na próxima década? Quantos terremotos haverá no próximo ano? Você vai aprender a resolver todos esses problemas e muito mais.

Você já tentou prever o futuro? O que está por vir é um mistério que geralmente só se resolve com o tempo. Neste curso, você pode parar de esperar e mergulhar no mundo da modelagem de séries temporais usando modelos ARIMA em Python para prever o futuro.<br><br><h2>Dados de séries temporais</h2>
Comece aprendendo o básico sobre dados de séries temporais, incluindo o conceito de estacionariedade — essencial para trabalhar com modelos ARMA. Você vai aprender a testar a estacionariedade tanto visualmente quanto estatisticamente, gerar dados ARMA e ajustar modelos ARMA para ter uma base sólida.<br><br><h2>Pacote Statsmodels</h2>
Conforme você avança, explore o poderoso pacote Statsmodels para ajustar modelos ARMA, ARIMA e ARMAX. Você vai ter experiência prática usando seus modelos para prever valores futuros, como preços de ações.<br><br>
Tornando esses conceitos fáceis de entender e aplicar, você vai descobrir como fazer previsões um passo à frente, projeções dinâmicas e ajustar modelos ARIMA diretamente aos seus dados.<br><br><h2>Gráficos ACF e PACF</h2>
Um dos destaques é aprender a escolher o melhor modelo usando gráficos ACF e PACF para identificar ordens de modelo promissoras. Você vai aprender sobre critérios como AIC e BIC para seleção e diagnóstico de modelos, o que vai te ajudar a refinar seus modelos até ficarem perfeitos.​.<br><br><h2>Modelos SARIMA</h2>
O curso termina com modelos ARIMA (SARIMA) sazonais, perfeitos para lidar com dados com padrões sazonais. Você vai aprender a decompor dados de séries temporais em componentes sazonais e não sazonais e aplicar suas habilidades em ARIMA em um desafio de previsão global.
<br><br>Esse projeto final junta tudo, te dando uma compreensão completa da modelagem ARIMA.

Supervised Learning with scikit-learn

Aprenda sobre modelos ARIMA em Python e torne-se um especialista em análise de séries temporais.

Introdução aos modelos AR, MA e ARMA

Create Your Free Account