MP4 - Applied Time Series Analysis And Forecasting In Python

[joomlamz]

Publicado em 1/2023
MP4 | Vídeo: h264, 1280x720 | Áudio: AAC, 44,1 KHz
Idioma: Inglês | Tamanho: 4,93 GB | Duração: 8h 28m

Análise de Séries Temporais em Python: Teoria, Modelagem: AR para SARIMAX, Modelos Vetoriais, GARCH, Auto ARIMA, Previsão

O que você aprenderá
Compreenda a necessidade de normalizar os dados ao comparar diferentes séries temporais.
Encontre tipos especiais de séries temporais como White Noise e Random Walks.
Aprenda sobre como contabilizar "choques inesperados" por meio de médias móveis.
Comece a codificar em Python e aprenda a usá-lo para análise estatística.

Requisitos
Cientistas de dados iniciantes que desejam ganhar experiência com séries temporais
Pessoas interessadas em finanças quantitativas.
Aspirantes a cientistas de dados.
Programadores que desejam se especializar em finanças.

Descrição
Como um banco comercial prevê o desempenho esperado de sua carteira de empréstimos?Ou como um gerente de investimentos estima o risco de uma carteira de ações?Quais são os métodos quantitativos usados para prever propriedades imobiliárias?Se houver alguma dependência de tempo, então você sabe disso - a resposta é: análise de séries temporais. Este curso ensinará as habilidades práticas que permitirão que você consiga um emprego como analista financeiro quantitativo, analista de dados ou cientista de dados. Em pouco tempo, você adquirirá as habilidades fundamentais que permitirá que você execute análises complicadas de séries temporais diretamente aplicáveis na prática. Criamos um curso de série temporal que não é apenas atemporal, mas também:· Fácil de entender· Abrangente· Prático· Direto ao ponto· Repleto de muitos exercícios e recursosMas sabemos que isso pode não ser suficiente. implementá-los através do Python – a linguagem de programação mais popular no momento. Com isso em mente. Bem-vindo à análise de séries temporais em Python! A grande questão ao fazer um curso online é o que esperar. E garantimos que você receba tudo o que precisa para se tornar proficiente na análise de séries temporais. Começamos explorando a teoria fundamental das séries temporais para ajudá-lo a entender a modelagem que vem depois. Em seguida, ao longo do curso, trabalharemos com uma série de bibliotecas Python, proporcionando a você um treinamento completo. Usaremos a poderosa funcionalidade de série temporal incorporada ao pandas, bem como outras bibliotecas fundamentais, como NumPy, matplotlib, StatsModels, yfinance, ARCH e pmdarima.Com essas ferramentas, dominaremos os modelos mais usados:· AR (autoregressivo modelo)· MA (modelo de média móvel)· ARMA (modelo autoregressivo de média móvel)· ARIMA (modelo autoregressivo integrado de média móvel)· ARIMAX (modelo autorregressivo integrado de média móvel com variáveis exógenas). SARIA (modelo de média móvel autorregressiva sazonal). SARIMA (modelo de média móvel integrado autorregressivo sazonal). SARIMAX (modelo autoregressivo sazonal de média móvel integrada com variáveis exógenas)· ARCH (modelo autoregressivo condicional de heterocedasticidade)· GARCH (modelo autorregressivo generalizado de heterocedasticidade condicional). VARMA (modelo vetorial autorregressivo de média móvel)Sabemos que séries temporais é um daqueles assuntos que sempre deixa algumas dúvidas.Até agora.Este curso é exatamente o que você precisa para entender séries temporais de uma vez por todas. Além disso, você também receberá uma tonelada de materiais adicionais - arquivos de cadernos, anotações do curso, perguntas de teste e muitos, muitos exercícios - tudo incluído. Este é o único curso que combina as mais recentes técnicas estatísticas e de aprendizado profundo para o tempo. análise de série. Primeiro, o curso cobre os conceitos básicos de séries temporais:estacionariedade e teste de Dicker-Fuller aumentadosazonalidaderuído brancocaminhada aleatóriaautoregressãomédia móvelACF e PACF,Seleção de modelo com AIC (Akaike's Information Criterion)Em seguida, avançamos e aplicamos modelos estatísticos mais complexos para previsão de séries temporais: ARIMA (Modelo de Média Móvel Integrada Autoregressiva)SARIMA (Modelo de Média Móvel Integrada Autorregressiva Sazonal)SARIMAX (Modelo de Média Móvel Integrada Autorregressiva Sazonal com variáveis exógenas)Também cobrimos várias previsões de séries temporais com:VAR (Vetor Autoregressivo de Média Móvel)VARMA (Modelo Vetorial de Média Móvel Autoregressiva )VARMAX (Modelo de Média Móvel Autoregressiva Vetorial com variável exógena)Em seguida, passamos para a seção de aprendizado profundo, onde usaremos o Tensorflow para aplicar diferentes técnicas de aprendizado profundo para análise de séries temporais:Modelo linear simples (rede neural de 1 camada)DNN ( Rede Neural Profunda) CNN (Rede Neural Convolucional) LSTM (Long Short- Term Memory)CNN + LSTM modelsResNet (Residual Networks)Autoregressive LSTMTao longo do curso, você concluirá mais de 5 projetos ponta a ponta em Python, com todo o código-fonte disponível para você.

Visão geral
Seção 1: PYTHON - Introdução aos fundamentos do Python para iniciantes
Aula 1 Python - Estruturas de Dados (Listas, Tuplas, Dicionário) e Manipulações de String
Aula 2 Python - Implementação de Lambda, Recursão, Funções.
Aula 3 Python - Entendendo as Bibliotecas, Análise Exploratória de Dados,Análise descritiva
Seção 2: Fundamentos das estatísticas de negócios para análise de dados
Aula 4 Introdução à Estatística e Medidas de Tendências Centrais
Aula 5 Teorema do Limite Central - CLT
Aula 6 Distribuições e Correlações
Aula 7 PDF e CDF e Teste de Hipóteses
Seção 3: ANÁLISE DE SÉRIES TEMPORAIS - Introdução aos fundamentos das séries temporais para iniciantes
Aula 8 SÉRIES TEMPORAIS - Características e Decomposição de Dados de Séries Temporais
Aula 9 SÉRIES TEMPORAIS - Melhores Práticas de Probabilidade, Estatística e Modelos de Previsão
Aula 10 SÉRIES TEMPORAIS - Compreensão Prática da Análise de Séries Temporais com Dados Médicos
Seção 4: Projeto Final: UK_Road_Accident_Timeseries_Forecasting_EDA
Aula 11 UK_Road_Accident_Timeseries_Forecasting_EDA
Aula 12 Previsão das taxas de acidentes no Reino Unido com base no número de vítimas em SARIMA,FbP,LSTM's
Aspirantes a cientistas de dados.,Cientistas de dados profissionais que precisam analisar séries temporais,Iniciantes em aprendizado profundo curiosos sobre séries temporais

Pagina inicial
https://www.udemy.com/course/applied-time-series-analysis-and-forecasting-in-python/

https://rapidgator.net/file/79a727b35bb1a9ba07b36f1f1c3f7e79


Download From 1DL


https://1dl.net/92vwey1z03cu