Time Series Analysis and Forecasting using Python

学习用 Python 进行时间序列分析与预测模型 | 时间数据可视化 | AR | MA | ARIMA | 回归 | 人工神经网络

讲师:Start-Tech Academy, Abhishek Bansal, Pukhraj Parikh

您将学到什么

• 掌握时间序列分析和预测的基本原理
• 理解时间序列分析适用的商业场景
• 用 Python 构建 5 种不同的时间序列预测模型
• 学习自回归和移动平均模型
• 学习 ARIMA 和 SARIMA 模型进行预测
• 使用 Pandas 数据框操作时间序列数据并进行统计计算

课程要求

• 学生需要安装 Python 和 Anaconda 软件，但我们有一节专门的课程来帮助你完成安装。

课程描述

您正在寻找一门完整的时间序列预测课程，以帮助制定涉及生产计划、库存管理、人力规划等业务决策的方案，对吗？
本课程将使用 Python 时间序列技术教授时间序列预测和时间序列分析。
完成这门课程后，您将能够：
实现各种时间序列预测模型，如自回归（AutoRegression）、移动平均（Moving Average）、ARIMA 和 SARIMA 等。
基于线性回归和神经网络实施多变量时间序列预测模型。
自信地实践、讨论并理解组织中使用的时间序列预测、时间序列分析模型及 Python 时间序列技术。

本课程如何帮助您？
完成这门时间序列预测课程后，所有学员都将获得一份可验证的结业证书。
如果您是业务经理或执行官，或者是一名希望学习和应用实际商业问题中的预测模型的学生，本课程将通过教授最流行的预测模型及其在 Python 中的应用来为您提供坚实的基础。

为什么选择本课程？
我们相信通过实例教学。本课程也不例外。每个部分的主要重点都是通过如何操作的示例来教您概念。
理论概念及不同预测模型、时间序列预测和时间序列分析的实际应用
逐步指导如何使用 Python 实现时间序列预测模型
包含数据和解决方案的可下载代码文件，用于每节的时间序列预测、时间序列分析和 Python 时间序列技术
复习和练习时间序列预测、时间序列分析和 Python 时间序列技术的概念的课堂笔记和作业

在这些策略中创建模型的实际课程是本课程与其他在线课程的区别所在。

我们有资格教您吗？
该课程由 Abhishek 和 Pukhraj 教授。作为全球数据分析咨询公司的经理，我们帮助公司利用数据分析解决业务问题，并将实践经验融入到营销和数据科学的各个方面。他们还精通时间序列预测、时间序列分析及 Python 时间序列技术。

我们的承诺
教学是我们的工作，我们会全力以赴。如果您有任何关于课程内容、练习文件或任何相关主题的问题，请随时在课程中提问或直接联系我们。
下载实践文件，参加测验，并完成作业
每个讲座都附有课堂笔记供您参考。您还可以通过测验来检查自己对时间序列预测、时间序列分析和 Python 时间序列技术概念的理解。

每个部分包含一个用于实际应用所学知识的时间序列预测、时间序列分析及 Python 时间序列技术的练习任务。
本课程涵盖哪些内容？
了解未来销售的变化是管理者做出数据驱动决策的关键信息之一。在本课程中，我们将探讨时间序列预测、时间序列分析和 Python 时间序列技术。我们还将探索如何使用预测模型来：
发现时间序列数据中的模式
基于模型进行预测

让我简要介绍一下这门课程的内容。
第 1 章 – 引言
在这部分，您将了解本课程的结构以及如何教授时间序列预测、时间序列分析和 Python 时间序列技术的概念。

第 2 章 – Python 基础
这一章让您开始学习 Python。
这部分将帮助您在系统上设置 Python 和 Jupyter 环境，并教您如何执行一些基本操作。我们将了解 Numpy、Pandas 和 Seaborn 等不同库的重要性。
本部分的基础知识将在后续课程中学习时间序列预测、时间序列分析和 Python 时间序列技术时发挥重要作用。

第 3 章 – 时间序列数据基础
在这部分，您将讨论时间序列数据的基本概念，应用时间序列预测，并了解构建预测模型的标准流程。

第 4 章 – 预处理时间序列数据
在这一章中，您将学习如何可视化时间序列、执行特征工程、重采样数据以及各种其他工具来分析和准备用于建模的数据并进行时间序列预测、时间序列分析及实施 Python 时间序列技术。

第 5 章 – 准备回归模型的数据
在这部分，您将了解为分析获取数据并准备数据所需的步骤。这些步骤非常重要。
我们将从理解业务知识的重要性开始，然后学习如何进行数据探索。我们还将学习单变量和双变量分析、异常值处理以及缺失值填充等主题。

第 6 章 – 使用回归模型预测
这一部分将从简单的线性回归开始，并涵盖多元线性回归。我们将介绍每个概念的基本理论，以便您理解其来源及其重要性。
我们还将了解如何量化模型的准确性、F 统计量的意义以及如何解释独立变量数据集中的分类变量。

第 7 章 – 理论概念
本部分将为您提供神经网络涉及的概念的基础知识。
在这部分中，您将学习单个细胞或感知器，并了解感知器是如何堆叠来创建网络架构的。一旦架构确定下来，我们将理解梯度下降算法以找到函数的最小值并了解如何使用此方法优化我们的网络模型。

第 8 章 – 使用 Python 创建回归和分类 ANN 模型
在这部分中，您将学习如何在 Python 中创建 ANN 模型。
我们将在这一部分开始通过 Sequential API 创建一个用于解决分类问题的 ANN 模型。我们将了解如何定义网络架构、配置模型并训练模型。然后我们会评估所训练模型的表现，并使用它来预测新数据。我们还将解决一个回归问题，尝试预测某个地区的房价。最后，我们将学习如何创建复杂的 ANN 架构，以及如何保存和恢复模型。

我非常有信心本课程将为您提供与时间序列预测、时间序列分析及 Python 时间序列技术相关的必要知识和技能，在工作中立即看到实际的好处。
点击注册按钮开始第一课吧！
Cheers
Start-Tech Academy

本课程适合谁:

• 追求数据科学职业的人群
• 初涉机器学习领域的在职专业人士
• 需要更多实践经验的统计学家
• 任何对短时间内掌握使用 Python 进行时间序列分析感兴趣的人