【Udemy中英字幕】Applied Time Series Analysis in Python

Python 中的应用时间序列分析

使用Python和Tensorflow应用最新的统计和深度学习技术进行时间序列分析

讲师：Marco Peixeiro

双语IT资源独家Udemy付费课程，独家中英文字幕，配套资料齐全！

用不到1/10的价格，即可享受同样的高品质课程，且可以完全拥有，随时随地都可以任意观看和分享。

你将学到什么

• 描述性统计与推论性统计
• 随机游走模型
• 移动平均模型
• 自回归
• ACF 和 PACF
• 平稳性
• ARIMA、SARIMA、SARIMAX
• VAR、VARMA、VARMAX
• 使用 Tensorflow 应用深度学习进行时间序列分析
• 线性模型、DNN、LSTM、CNN、ResNet
• 使用 Prophet 自动进行时间序列分析

要求

• Python基础知识
• 深度学习基础知识
• 安装了 Jupyter Notebook（或访问 Google Colab）

描述

这是唯一结合了最新统计和深度学习技术进行时间序列分析的课程。首先，课程涵盖时间序列的基本概念：

• 平稳性和增强迪克-富勒检验
• 季节性
• 白噪声
• 随机游走
• 自回归
• 移动平均线
• ACF 和 PACF，
• 使用 AIC（赤池信息准则）进行模型选择

然后，我们继续应用更复杂的统计模型进行时间序列预测：

• ARIMA（自回归综合移动平均模型）
• SARIMA（季节性自回归综合移动平均模型）
• SARIMAX（具有外生变量的季节性自回归综合移动平均模型）

我们还涵盖了多个时间序列预测：

• VAR（向量自回归）
• VARMA（向量自回归移动平均模型）
• VARMAX（具有外生变量的向量自回归移动平均模型）

然后，我们进入深度学习部分，我们将使用 Tensorflow 应用不同的深度学习技术进行时间序列分析：

• 简单线性模型（1层神经网络）
• DNN（深度神经网络）
• CNN（卷积神经网络）
• LSTM（长短期记忆）
• CNN + LSTM 模型
• ResNet（残差网络）
• 自回归 LSTM

在整个课程中，您将使用 Python 完成 5 个以上的端到端项目，并提供所有源代码。

本课程适合谁：

• 希望获得时间序列经验的初学者数据科学家
• 深度学习初学者对时间序列感到好奇
• 需要分析时间序列的专业数据科学家
• 数据科学家希望从 R 过渡到 Python