Analyse et prévision de séries temporelles avec Python

Dans un monde axé sur les données, prédire l'avenir n'est plus une conjecture mais une compétence technique. Les organisations s'appuient sur des modèles historiques pour prendre des décisions stratégiques, ce qui rend l'analyse de séries chronologiques l'une des compétences les plus précieuses en science des données. Ce cours vous emmène des bases des données temporelles à la construction de modèles de prévision sophistiqués. Ce que vous apprendrez: - Comprendre les composantes de base des données de séries temporelles, y compris la saisonnalité, les tendances et la stationnarité - Implémenter des modèles de lissage exponentiel (ETS) pour gérer des modèles saisonniers complexes - Appliquer les modèles ARIMA et ARIMA saisonniers pour capturer les relations linéaires dans les données temporelles - Pratiquer les techniques de prétraitement et de nettoyage des données spécifiquement pour les ensembles de données indexés par temps - Évaluer les performances du modèle à l'aide de métriques modernes et de la validation croisée des séries temporelles - Explorez les cadres de prévision modernes comme sktime pour un développement de modèle rationalisé Le programme commence par les définitions fondamentales et la préparation des données avant de passer aux modèles statistiques classiques et aux cadres d'évaluation modernes. Vous lirez des explications détaillées et appliquerez vos connaissances à travers des exercices de codage écrits. Ce cours est conçu pour les débutants en analyse de données et Python qui souhaitent se spécialiser dans la prévision. Commencez dès aujourd’hui à développer votre expertise en analyse prédictive.