تحلیل سری‌های زمانی در پایتون

یاد بگیرید چگونه از پایتون برای تحلیل سری‌های زمانی استفاده کنید.

از قیمت سهام گرفته تا داده‌ آب‌وهوایی، می‌توانید داده‌ سری زمانی را در حوزه‌های بسیار متنوعی پیدا کنید. داشتن مهارت کار موثر با چنین دادهی، یک مهارت روزافزون مهم برای دانشمندان داده است. این دوره شما را با تحلیل سری‌های زمانی در پایتون آشنا می‌کند.

پس از یادگیری اینکه سری زمانی چیست، چندین مدل سری زمانی را بررسی خواهید کرد که از مدل‌های خودرگرسیو و میانگین متحرک تا مدل‌های هم‌انباشتگی را در بر می‌گیرد. در طول مسیر، چگونگی برآورد، پیش‌بینی و شبیه‌سازی این مدل‌ها را با استفاده از کتابخانه‌های آماری در پایتون یاد خواهید گرفت.

نمونه‌های متعددی از چگونگی استفاده از این مدل‌ها را خواهید دید که تأکید ویژه‌ای بر کاربردهای آن در امور مالی دارد.

کشف کنید چگونه از متدهای سری زمانی استفاده کنید.

شما با پوشش اصول داده سری زمانی و همچنین رگرسیون خطی ساده شروع خواهید کرد. قبل از بررسی برخی مدل‌های ساده سری زمانی مانند نویز سفید و پیاده‌روی تصادفی، مفاهیم همبستگی و خودهمبستگی و چگونگی اعمال آن‌ها بر داده سری زمانی را پوشش خواهید داد. سپس، بررسی خواهید کرد که چگونه مدل‌های خودرگرسیو (AR) برای داده سری زمانی برای پیش‌بینی مقادیر جاری استفاده می‌شوند و چگونه مدل‌های میانگین متحرک می‌توانند با مدل‌های AR ترکیب شوند تا مدل‌های قدرتمند ARMA را تولید کنند.

در نهایت، چگونگی استفاده از مدل‌های هم‌انباشتگی برای مدل‌سازی مشترک دو سری را قبل از بررسی یک مطالعه موردی واقعی خواهید دید.

بررسی مدل‌ها و کتابخانه‌های پایتون برای تحلیل سری‌های زمانی

در پایان این دوره، شما درک خواهید کرد که تحلیل سری‌های زمانی در پایتون چگونه کار می‌کند. با برخی از مدل‌ها، متدها و کتابخانه‌هایی که می‌توانند در این فرآیند به شما کمک کنند آشنا خواهید شد و خواهید دانست که چگونه موارد مناسب را برای تحلیل خود انتخاب کنید.

این دوره بخشی از یک مسیر آموزشی گسترده‌تر «سری‌های زمانی با پایتون» است که مجموعه‌ای از پنج دوره را برای تسلط شما به این مهارت علم داده ارائه می‌دهد.