Analyse et prévision de séries temporelles avec Python

Les données horodatées sont partout, des cours des actions et des tendances des ventes aux lectures de capteurs IoT et au trafic sur les sites Web. Ce cours basé sur du texte vous guide des concepts fondamentaux des données de séries temporelles à la construction de modèles prédictifs avancés.Vous acquerrez les compétences pratiques nécessaires pour nettoyer les données historiques, identifier les tendances saisonnières et déployer des modèles de prévision robustes en utilisant le puissant écosystème de science des données de Python. Ce que vous apprendrez: - Comprendre les concepts fondamentaux des séries chronologiques, y compris la tendance, la saisonnalité, le bruit et la stationnarité - Manipuler et nettoyer les ensembles de données horodatés à l'aide de Pandas et NumPy - Appliquer des modèles de prévision statistique tels que ARIMA, SARIMA et Holt-Winters à l'aide de Statsmodels - Implémenter des flux de travail d'apprentissage automatique modernes pour la prévision à l'aide de Prophet - Explorez les architectures d'apprentissage profond pour les données séquentielles à l'aide de réseaux neuronaux récurrents (RNN) - Évaluer les performances du modèle à l'aide de techniques et de mesures de validation modernes Vous commencerez par maîtriser les bases de la manipulation des données et de l'analyse exploratoire avant de passer à la modélisation statistique et aux réseaux de neurones avancés.Grâce à des explications écrites, à des extraits de code clairs et à des exercices pratiques, vous construirez une base solide en analyse prédictive. Ce cours est conçu pour les débutants en analyse de données, les programmeurs qui cherchent à se spécialiser dans les séries chronologiques et les scientifiques de données en herbe.Aucune expérience préalable de la modélisation de séries chronologiques n'est requise, bien qu'une connaissance de base de Python soit utile. Commencez à lire dès aujourd'hui pour libérer le pouvoir prédictif de vos données horodatées.