Lär dig använda Python för tidsserieanalys

Från aktiekurser till klimatdata – du hittar tidsseriedata inom en mängd olika områden. Att ha färdigheterna att arbeta effektivt med sådan data blir allt viktigare för data scientists. Den här kursen introducerar dig till tidsserieanalys i Python.

Efter att ha lärt dig vad en tidsserie är kommer du att utforska flera tidsseriemodeller, från autoregressiva och glidande medelvärdesmodeller till kointegrationsmodeller. Under tiden kommer du att lära dig hur du uppskattar, förutspår och simulerar dessa modeller med hjälp av statistiska bibliotek i Python.

Du får se många exempel på hur dessa modeller används, med särskilt fokus på tillämpningar inom finans.

Upptäck hur du använder tidsseriemetoder

Du börjar med att gå igenom grunderna i tidsseriedata samt enkel linjär regression. Du kommer att gå igenom begreppen korrelation och autokorrelation och hur de används på tidsseriedata, innan du utforskar några enkla tidsseriemodeller som white noise och random walk. Därefter kommer du att utforska hur autoregressiva (AR) modeller används för tidsseriedata för att förutsäga aktuella värden och hur glidande medelvärdesmodeller kan kombineras med AR-modeller för att skapa kraftfulla ARMA-modeller.

Slutligen kommer du att lära dig hur du använder kointegrationsmodeller för att modellera två tidsserier tillsammans, innan du tittar på en verklig fallstudie.

Utforska Python-modeller och bibliotek för tidsserieanalys I slutet av den här kursen kommer du att förstå hur tidsserieanalys i Python fungerar. Du kommer att lära dig om några av de modeller, metoder och bibliotek som kan hjälpa dig i processen och veta hur du väljer de som passar bäst för din egen analys.

Den här kursen är en del av Time Series with Python Track, som består av fem kurser och hjälper dig att bemästra denna data science-färdighet.

Matcha korrelation med regressionsresultat

Tidsserieanalys i Python

Interaktiv övning med praktiskt arbete