تحلیل و پیش‌بینی سری‌های زمانی به‌روش کاربردی در پایتون

آنچه یاد خواهید گرفت:

• درک نیاز به نرمال‌سازی داده‌ هنگام مقایسه‌ سری‌های زمانی مختلف
• آشنایی با انواع خاص سری‌های زمانی مانند نویز سفید و Walks تصادفی
• یادگیری در نظر گرفتن «شوک‌های غیرمنتظره» از طریق میانگین‌های متحرک
• شروع کدنویسی در پایتون و یادگیری نحوه‌ استفاده از آن برای تحلیل آماری

توضیحات دوره

یک بانک تجاری چگونه پیش‌بینی می‌کند که عملکرد مورد انتظار سبد وام آن چگونه خواهد بود؟

یا یک مدیر سرمایه‌گذاری چگونه ریسک سبد سهام را برآورد می کند؟

کدام متدهای کمی برای پیش‌بینی املاک و مستغلات استفاده می‌شود؟

اگر وابستگی زمانی وجود داشته باشد، پس می‌دانید که پاسخ این است: تحلیل سری‌های زمانی

این دوره مهارت‌های عملی را به شما آموزش می‌دهد که به شما امکان می‌دهد به عنوان تحلیلگر مالی کمی، تحلیلگر داده یا دانشمند داده مشغول به کار شوید.

شما در زمان کوتاهی، مهارت‌های بنیادی را به دست خواهید آورد که به شما اجازه می‌دهد تحلیل‌های پیچیده سری‌های زمانی را انجام دهید که به طور مستقیم قابل استفاده در عمل باشد. ما یک دوره سری زمانی ایجاد کرده‌ایم که نه تنها بی‌زمان است بلکه همچنین دارای موارد زیر است:

• ساده برای درک
• جامع
• عملی
• دقیق
• پر از تمرینات و منابع

اما ما می‌دانیم که ممکن است این کافی نباشد.

ما برجسته‌ترین ابزارها را معرفی کرده و آنها را از طریق پایتون - محبوب‌ترین زبان برنامه‌نویسی در حال حاضر - پیاده‌ می‌کنیم.

سوال بزرگ برای شرکت در یک دوره آنلاین این است که چه انتظاری باید داشت. ما مطمئن شده‌ایم که شما همه‌ ابزارهای لازم برای تسلط به تحلیل سری‌های زمانی را در اختیار دارید.

ما با بررسی تئوری اساسی سری‌های زمانی شروع می‌کنیم تا به شما کمک کنیم مدل‌سازی که بعدا می‌آید را درک کنید.

سپس در طول دوره، با تعدادی از کتابخانه‌های پایتون کار کرده و آموزش کاملی را به شما ارائه خواهیم داد. ما از قابلیت‌های قدرتمند سری‌های زمانی که در pandas گنجانده شده، به همراه سایر کتابخانه‌های اساسی مانند NumPy و matplotlib و StatsModels و yfinance و ARCH و pmdarima استفاده خواهیم کرد.

با این ابزارها، ما به پرکاربردترین مدل‌ها مسلط خواهیم شد:

• AR (مدل اتورگرسیو)
• MA (مدل میانگین متحرک)
• ARMA (مدل اتورگرسیو-میانگین متحرک)
• ARIMA (مدل اتورگرسیو میانگین متحرک یکپارچه)
• ARIMAX (مدل اتورگرسیو میانگین متحرک یکپارچه با متغیرهای خارجی)
• SARIA (مدل اتورگرسیو میانگین متحرک فصلی)
• SARIMA (مدل اتورگرسیو میانگین متحرک یکپارچه فصلی)
• SARIMAX (مدل اتورگرسیو میانگین متحرک یکپارچه فصلی با متغیرهای خارجی)
• ARCH (مدل اتورگرسیو ناهمسانی واریانس شرطی)
• GARCH (مدل اتورگرسیو ناهمسانی واریانس شرطی تعمیم‌ یافته)
• VARMA (مدل اتورگرسیو میانگین متحرک برداری)

ما می‌دانیم که سری‌های زمانی یکی از آن مباحثی است که همیشه تعدادی سوال باقی می‌گذارد.

این دوره دقیقاً همان چیزی است که شما نیاز دارید تا برای همیشه بر سری‌های زمانی تسلط پیدا کنید. نه تنها این، بلکه شما همچنین انبوهی از مطالب اضافی - فایل‌های نوت‌بوک، یادداشت‌های دوره، سوالات آزمون و تمرینات بسیار زیاد - را دریافت خواهید کرد.

این تنها دوره‌ای است که آخرین تکنیک‌های آماری و یادگیری عمیق را برای تحلیل سری‌های زمانی ترکیب می‌کند.

در ابتدا دوره مفاهیم اولیه سری‌های زمانی را پوشش می‌دهد:

• ایستایی و تست Dicker-Fuller افزوده
• فصلی بودن
• نویز سفید
• walk تصادفی
• اتورگرسیون
• میانگین متحرک
• ACF و PACF
• انتخاب مدل با AIC (معیار اطلاعاتی Akaike)

سپس، ما به سمت استفاده از مدل‌های آماری پیچیده‌تر برای پیش‌بینی سری‌های زمانی حرکت می‌کنیم:

• ARIMA (مدل اتورگرسیو میانگین متحرک یکپارچه)
• SARIMA (مدل اتورگرسیو میانگین متحرک یکپارچه فصلی)
• SARIMAX (مدل اتورگرسیو میانگین متحرک یکپارچه فصلی با متغیرهای خارجی)

ما همچنین پیش‌بینی سری‌های زمانی چندگانه را با موارد زیر پوشش می‌دهیم:

• VAR (اتورگرسیون برداری)
• VARMA (مدل اتورگرسیو برداری میانگین متحرک)
• VARMAX (مدل اتورگرسیو برداری میانگین متحرک با متغیر خارجی)

سپس، ما به بخش یادگیری عمیق می‌رویم، جایی که از تنسورفلو برای اعمال تکنیک‌های مختلف یادگیری عمیق برای تحلیل سری‌های زمانی استفاده خواهیم کرد:

• مدل خطی ساده (شبکه عصبی لایه 1)
• DNN (شبکه عصبی عمیق)
• CNN (شبکه عصبی کانولوشن)
• LSTM (حافظه بلند-کوتاه مدت)
• مدل‌های CNN + LSTM
• ResNet (شبکه‌های باقیمانده)
• LSTM اتورگرسیو

در طول دوره، شما بیش از 5 پروژه‌ کامل در پایتون را انجام خواهید داد که تمام کد منبع در اختیار شما خواهد بود.

این دوره برای چه کسانی مناسب است؟

• دانشمندان مشتاق داده
• دانشمندان حرفه‌ای داده که نیاز به تحلیل سری های زمانی دارند.
• مبتدیان یادگیری عمیق که درباره سری‌های زمانی کنجکاو هستند.