آموزش تجزیه و تحلیل سری زمانی در پایتون 2023

Time Series Analysis in Python 2023

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: تجزیه و تحلیل سری های زمانی در پایتون: تئوری، مدل سازی: AR تا SARIMAX، مدل های برداری، GARCH، Auto ARIMA، پیش بینی تمایز بین داده های سری زمانی و داده های مقطعی. مفروضات اساسی داده های سری زمانی و نحوه استفاده از آنها را درک کنید. تبدیل یک مجموعه داده به یک سری زمانی کدنویسی را در پایتون شروع کنید و یاد بگیرید که چگونه از آن برای تجزیه و تحلیل آماری استفاده کنید. تجزیه و تحلیل سری های زمانی را در پایتون انجام دهید و نتایج را بر اساس داده های مورد نظر تفسیر کنید. تفاوت های اساسی بین سری های مرتبط مانند قیمت و بازده را بررسی کنید. درک نیاز به عادی سازی داده ها هنگام مقایسه سری های زمانی مختلف. با انواع خاصی از سری های زمانی مانند White Noise و Random Walks روبرو شوید. درباره «همبستگی خودکار» و نحوه محاسبه آن بیاموزید. در مورد حسابداری "شوک های غیرمنتظره" از طریق میانگین متحرک بیاموزید. انتخاب مدل در سری های زمانی و نقش باقیمانده در آن را مورد بحث قرار دهید. درک ثابت بودن و چگونگی آزمایش وجود آن. مفهوم ادغام را بپذیرید و درک کنید که چه زمانی، چرا و چگونه از آن به درستی استفاده کنید. به اهمیت نوسانات و چگونگی اندازه گیری آن پی ببرید. آینده را بر اساس الگوهای مشاهده شده در گذشته پیش بینی کنید. پیش نیازها: نیازی به تجربه قبلی با سری زمانی نیست. شما باید Anaconda را نصب کنید. ما به شما نشان خواهیم داد که چگونه این کار را مرحله به مرحله انجام دهید. درک کلی از زبان های کدنویسی ترجیح داده می شود، اما لازم نیست.

چگونه یک بانک تجاری عملکرد مورد انتظار پرتفوی وام خود را پیش بینی می کند؟

یا یک مدیر سرمایه گذاری چگونه ریسک یک سبد سهام را برآورد می کند؟

روش های کمی برای پیش بینی املاک و مستغلات کدامند؟

اگر مقداری وابستگی زمانی وجود داشته باشد، آن را می دانید - پاسخ این است: تجزیه و تحلیل سری های زمانی.

این دوره مهارت های عملی را به شما آموزش می دهد که به شما امکان می دهد به عنوان یک تحلیلگر مالی کمی، یک تحلیلگر داده یا یک دانشمند داده شغلی پیدا کنید.

در کمترین زمان، مهارت‌های اساسی را به دست خواهید آورد که به شما امکان می‌دهد تحلیل سری‌های زمانی پیچیده را که مستقیماً در عمل قابل استفاده است، انجام دهید. ما یک دوره سری زمانی ایجاد کرده ایم که نه تنها بی زمان است بلکه:

· درک آسان

· جامع

· عملی

· به نقطه

· مملو از تمرینات و منابع فراوان

اما ما می دانیم که ممکن است کافی نباشد.

ما برجسته‌ترین ابزارها را می‌گیریم و از طریق پایتون - محبوب‌ترین زبان برنامه‌نویسی در حال حاضر - پیاده‌سازی می‌کنیم. با این حساب…

به تجزیه و تحلیل سری زمانی در پایتون خوش آمدید!

سوال بزرگ در گذراندن دوره آنلاین این است که انتظار چه چیزی را داشته باشید. و ما مطمئن شده‌ایم که همه چیزهایی که برای مهارت در تجزیه و تحلیل سری‌های زمانی نیاز دارید در اختیار شما قرار داده شده است.

ما با بررسی نظریه سری‌های زمانی اساسی شروع می‌کنیم تا به شما در درک مدل‌سازی که بعداً انجام می‌شود کمک کنیم.

سپس در طول دوره، ما با تعدادی از کتابخانه های پایتون کار خواهیم کرد و آموزش کاملی را به شما ارائه خواهیم داد. ما از عملکرد قدرتمند سری زمانی ساخته شده در پانداها و همچنین سایر کتابخانه های اساسی مانند NumPy، matplotlib، StatsModels، yfinance، ARCH و pmdarima استفاده خواهیم کرد.

با این ابزارها ما به پرکاربردترین مدل‌های موجود در بازار تسلط پیدا می‌کنیم:

· AR (مدل خودرگرسیون)

· MA (مدل میانگین متحرک)

· ARMA (مدل میانگین متحرک خودکار)

· ARIMA (مدل میانگین متحرک یکپارچه اتورگرسیو)

· ARIMAX (مدل میانگین متحرک یکپارچه رگرسیون با متغیرهای برون زا)

. SARIA (مدل میانگین متحرک اتورگرسیو فصلی)

. SARIMA (مدل میانگین متحرک یکپارچه اتورگرسیو فصلی)

. SARIMAX (مدل میانگین متحرک یکپارچه اتورگرسیو فصلی با متغیرهای برون زا)

· ARCH (مدل ناهمگونی شرطی خودپسندانه)

· GARCH (مدل ناهمسانی شرطی خودبازگشت عمومی تعمیم یافته)

. VARMA (مدل میانگین متحرک اتورگرسیو برداری)


ما می دانیم که سری های زمانی یکی از آن موضوعاتی است که همیشه شک و شبهه هایی را به وجود می آورد.

تا کنون.

این دوره دقیقاً همان چیزی است که شما برای درک سری های زمانی یک بار برای همیشه نیاز دارید. نه تنها این، بلکه تعداد زیادی مواد اضافی را نیز دریافت خواهید کرد - فایل های دفترچه یادداشت، یادداشت های دوره، سؤالات مسابقه، و بسیاری از تمرینات - همه چیز گنجانده شده است.


چه چیزی بدست می آورید؟

· پشتیبانی فعال Q A

· مواد تکمیلی - فایل های دفترچه یادداشت، یادداشت های دوره، سوالات مسابقه، تمرین ها

· همه دانش برای یافتن شغل با تجزیه و تحلیل سری زمانی

· جامعه ای از علاقه مندان به علم داده

· گواهی پایان کار

· دسترسی به به روز رسانی های آینده

· موارد کسب و کار واقعی را حل کنید که به شما شغل می دهد

ما خوشحالیم که 30 روز وجه را با ضمانت کامل ارائه می دهیم. هیچ خطری برای شما وجود ندارد. محتوای دوره عالی است، و این برای ما بی‌معنی است، زیرا مطمئن هستیم که آن را دوست خواهید داشت.

چرا صبر کنید؟ هر روز یک فرصت از دست رفته است.

روی دکمه "اکنون خرید" کلیک کنید و از امروز شروع به تسلط بر سری های زمانی در Python کنید.


سرفصل ها و درس ها

معرفی Introduction

  • دوره شامل چه مواردی می شود؟ What does the course cover?

  • دانلود منابع اضافی Download Additional Resources

تنظیم محیط Setting Up the Environment

  • راه اندازی محیط - لطفا از دست ندهید! Setting up the environment - Do not skip, please!

  • چرا پایتون و ژوپیتر؟ Why Python and Jupyter?

  • نصب آناکوندا Installing Anaconda

  • داشبورد Jupyter - قسمت 1 Jupyter Dashboard - Part 1

  • داشبورد Jupyter - قسمت 2 Jupyter Dashboard - Part 2

  • نصب پکیج های لازم Installing the Necessary Packages

  • نصب بسته ها - تمرین Installing Packages - Exercise

  • نصب بسته ها - راه حل تمرین Installing Packages - Exercise Solution

مقدمه ای بر سری زمانی در پایتون Introduction to Time Series in Python

  • مقدمه ای بر داده های سری زمانی Introduction to Time-Series Data

  • مقدمه ای بر داده های سری زمانی Introduction to Time Series Data

  • نشانه گذاری برای داده های سری زمانی Notation for Time Series Data

  • نشانه گذاری برای داده های سری زمانی Notation for Time Series Data

  • ویژگی های داده های سری زمانی Peculiarities of Time Series Data

  • ویژگی های داده های سری زمانی Peculiarities of Time Series Data

  • در حال بارگیری داده ها Loading the Data

  • در حال بارگیری داده ها Loading the Data

  • بررسی داده ها Examining the Data

  • بررسی داده ها Examining the Data

  • ترسیم داده ها Plotting the Data

  • ترسیم داده ها Plotting the Data

  • طرح QQ The QQ Plot

  • طرح QQ The QQ Plot

ایجاد یک شی سری زمانی در پایتون Creating a Time Series Object in Python

  • تبدیل ورودی های رشته به مقادیر DateTime Transforming String inputs into DateTime Values

  • تبدیل ورودی های رشته به مقادیر DateTime Transforming String inputs into DateTime Values

  • استفاده از تاریخ به عنوان شاخص Using Date as an Index

  • استفاده از تاریخ به عنوان شاخص Using Dates as an Index

  • تنظیم فرکانس Setting the Frequency

  • تنظیم فرکانس Setting the Frequency

  • پر کردن مقادیر از دست رفته Filling Missing Values

  • پر کردن مقادیر از دست رفته Filling Missing Values

  • اضافه کردن و حذف ستون ها در یک قاب داده Adding and Removing Columns in a Data Frame

  • اضافه کردن و حذف ستون ها در یک قاب داده Adding and Removing Columns in a Data Frame

  • تقسیم کردن داده ها Splitting Up the Data

  • تقسیم کردن داده ها Splitting Up the Data

  • پیوست: به روز رسانی مجموعه داده Appendix: Updating the Dataset

کار با سری زمانی در پایتون Working with Time Series in Python

  • نویز سفید White Noise

  • نویز سفید White Noise

  • پیاده روی تصادفی Random Walk

  • پیاده روی تصادفی Random Walk

  • ثابت بودن Stationarity

  • ثابت بودن Stationarity

  • تعیین ایستایی فرم ضعیف Determining Weak Form Stationarity

  • تعیین ایستایی فرم ضعیف Determining Weak Form Stationarity

  • فصلی بودن Seasonality

  • فصلی بودن Seasonality

  • همبستگی بین ارزش های گذشته و حال Correlation Between Past and Present Values

  • همبستگی بین ارزش های گذشته و حال Correlation Between Past and Present Values

  • تابع همبستگی خودکار (ACF) The Autocorrelation Function (ACF)

  • تابع همبستگی خودکار (ACF) The Autocorrelation Function (ACF)

  • تابع خود همبستگی جزئی (PACF) The Partial Autocorrelation Function (PACF)

  • تابع خود همبستگی جزئی (PACF) The Partial Autocorrelation Function (PACF)

انتخاب مدل صحیح Picking the Correct Model

  • انتخاب مدل صحیح Picking the Correct Model

  • انتخاب مدل صحیح Picking the Correct Model

خودرگرسیون مدلسازی: مدل AR Modeling Autoregression: The AR Model

  • مدل خودرگرسیون (AR). The Autoregressive (AR) Model

  • مدل خودرگرسیون (AR). The Autoregressive (AR) Model

  • بررسی ACF و PACF قیمت ها Examining the ACF and PACF of Prices

  • بررسی ACF و PACF قیمت ها Examining the ACF and PACF of Prices

  • برازش یک مدل AR(1) برای قیمت‌های شاخص Fitting an AR(1) Model for Index Prices

  • برازش یک مدل AR(1) برای قیمت‌های شاخص Fitting an AR(1) Model for Index Prices

  • مناسب کردن مدل‌های AR با تاخیر بالاتر برای قیمت‌ها Fitting Higher-Lag AR Models for Prices

  • مناسب کردن مدل‌های AR با تاخیر بالاتر برای قیمت‌ها Fitting Higher-Lag AR Models for Prices

  • استفاده از بازده به جای قیمت Using Returns Instead of Prices

  • استفاده از بازده به جای قیمت Using Returns Instead of Prices

  • بررسی ACF و PACF از بازگشت Examining the ACF and PACF of Returns

  • بررسی ACF و PACF از بازگشت Examining the ACF and PACF of Returns

  • برازش یک مدل AR(1) برای بازده شاخص Fitting an AR(1) Model for Index Returns

  • برازش یک مدل AR(1) برای بازده شاخص Fitting an AR(1) Model for Index Returns

  • برازش مدل‌های واقعیت افزوده با تاخیر بالاتر برای بازگشت Fitting Higher-Lag AR Models for Returns

  • برازش مدل‌های واقعیت افزوده با تاخیر بالاتر برای بازگشت Fitting Higher-Lag AR Models for Returns

  • عادی سازی مقادیر Normalizing Values

  • عادی سازی مقادیر Normalizing Values

  • انتخاب مدل برای بازده عادی (AR) Model Selection for Normalized Returns (AR)

  • انتخاب مدل برای بازده عادی Model Selection for Normalized Returns

  • بررسی باقیمانده های مدل AR Examining the AR Model Residuals

  • بررسی باقیمانده های مدل AR Examining the AR Model Residuals

  • شوک های غیرمنتظره از دوره های گذشته Unexpected Shocks from Past Periods

تنظیم به شوک: مدل MA Adjusting to Shocks: The MA Model

  • مدل میانگین متحرک (MA). The Moving Average (MA) Model

  • مدل میانگین متحرک (MA). The Moving Average (MA) Model

  • برازش یک مدل MA(1) برای بازگشت Fitting an MA(1) Model for Returns

  • برازش یک مدل MA(1) برای بازگشت Fitting an MA(1) Model for Returns

  • برازش مدل های MA با تاخیر بالاتر برای بازگشت Fitting Higher-Lag MA Models for Returns

  • برازش مدل های MA با تاخیر بالاتر برای بازگشت Fitting Higher-Lag MA Models for Returns

  • بررسی باقیمانده های مدل MA برای بازگشت Examining the MA Model Residuals for Returns

  • بررسی باقیمانده های مدل MA برای بازگشت Examining the MA Model Residuals for Returns

  • انتخاب مدل برای بازده عادی (MA) Model Selection for Normalized Returns (MA)

  • انتخاب مدل برای بازده عادی (MA) Model Selection for Normalized Returns (MA)

  • برازش یک مدل MA(1) برای قیمت ها Fitting an MA(1) Model for Prices

  • برازش یک مدل MA(1) برای قیمت ها Fitting an MA(1) Model for Prices

  • ارزش های گذشته و خطاهای گذشته Past Values and Past Errors

ارزش های گذشته و خطاهای گذشته: مدل ARMA Past Values and Past Errors: The ARMA Model

  • مدل میانگین متحرک خود رگرسیون (ARMA). The Autoregressive Moving Average (ARMA) Model

  • مدل میانگین متحرک خود رگرسیون (ARMA). The Autoregressive Moving Average (ARMA) Model

  • نصب یک مدل ARMA ساده برای بازگشت Fitting a Simple ARMA Model for Returns

  • نصب یک مدل ARMA ساده برای بازگشت Fitting a Simple ARMA Model for Returns

  • نصب مدل ARMA با تاخیر بالاتر برای بازگشت - قسمت 1 Fitting a Higher-Lag ARMA Model for Returns - Part 1

  • نصب مدل ARMA با تاخیر بالاتر برای بازگشت - قسمت 2 Fitting a Higher-Lag ARMA Model for Returns - Part 2

  • نصب مدل ARMA با تاخیر بالاتر برای بازگشت - قسمت 3 Fitting a Higher-Lag ARMA Model for Returns - Part 3

  • نصب مدل ARMA با تاخیر بالاتر برای بازگشت - قسمت 3 Fitting a Higher-Lag ARMA Model for Returns - Part 3

  • بررسی بقایای بازده مدل ARMA Examining the ARMA Model Residuals of Returns

  • بررسی بقایای بازده مدل ARMA Examining the ARMA Model Residuals of Returns

  • ARMA برای قیمت ها ARMA for Prices

  • ARMA برای قیمت ها ARMA for Prices

  • مدل های ARMA و داده های غیر ثابت ARMA Models and Non-Stationary Data

مدل سازی داده های غیر ثابت: مدل ARIMA Modeling Non-Stationary Data: The ARIMA Model

  • مدل میانگین متحرک یکپارچه اتورگرسیو (ARIMA). The Autoregressive Integrated Moving Average (ARIMA) Model

  • مدل میانگین متحرک یکپارچه اتورگرسیو (ARIMA). The Autoregressive Integrated Moving Average (ARIMA) Model

  • نصب یک مدل ساده ARIMA برای قیمت ها Fitting a Simple ARIMA Model for Prices

  • نصب یک مدل ساده ARIMA برای قیمت ها Fitting a Simple ARIMA Model for Prices

  • نصب مدل ARIMA با تاخیر بالاتر برای قیمت - قسمت 1 Fitting a Higher-Lag ARIMA Model for Prices - Part 1

  • نصب مدل ARIMA با تاخیر بالاتر برای قیمت - قسمت 2 Fitting a Higher-Lag ARIMA Model for Prices - Part 2

  • نصب مدل ARIMA با تاخیر بالاتر برای قیمت - قسمت 2 Fitting a Higher-Lag ARIMA Model for Prices - Part 2

  • سطوح بالاتر ادغام Higher Levels of Integration

  • سطوح بالاتر ادغام Higher Levels of Integration

  • استفاده از مدل های ARIMA برای بازگشت Using ARIMA Models for Returns

  • استفاده از مدل های ARIMA برای بازگشت Using ARIMA Models for Returns

  • عوامل خارجی و مدل ARIMAX Outside Factors and the ARIMAX Model

  • عوامل خارجی و مدل ARIMAX Outside Factors and the ARIMAX Model

  • مدل های فصلی - SARIMAX Seasonal Models - SARIMAX

  • پیش بینی ثبات Predicting Stability

اندازه گیری نوسانات: مدل ARCH Measuring Volatility: The ARCH Model

  • مدل ناهمگونی شرطی خود رگرسیون (ARCH). The Autoregressive Conditional Heteroscedasticity (ARCH) Model

  • مدل ARCH The ARCH Model

  • نوسان Volatility

  • نوسان Volatility

  • نگاهی دقیق تر به مدل ARCH A More Detailed Look of the ARCH Model

  • نگاهی دقیق تر به مدل ARCH A More Detailed Look of the ARCH Model

  • روش arch_model The arch_model Method

  • روش arch_model The arch_model Method

  • مدل ARCH ساده The Simple ARCH Model

  • مدل ARCH ساده The SImple ARCH Model

  • مدل های ARCH با تاخیر بالاتر Higher-Lag ARCH Models

  • معادل ARMA مدل ARCH An ARMA Equivalent of the ARCH Model

ARMA معادل ARCH: مدل GARCH An ARMA Equivalent of the ARCH: The GARCH Model

  • مدل ناهمگونی مشروط خودبازگشتی تعمیم یافته (GARCH). The Generalized Autoregressive Conditional Heteroskedasticity (GARCH) Model

  • مدل GARCH The GARCH Model

  • ARMA و GARCH The ARMA and the GARCH

  • ARMA و GARCH The ARMA and the GARCH

  • مدل ساده GARCH The Simple GARCH Model

  • مدل ساده GARCH The Simple GARCH Model

  • مدل های GARCH با تاخیر بالاتر Higher-Lag GARCH Models

  • مدل های GARCH با تاخیر بالاتر Higher-LAg GARCH Models

  • جایگزینی برای فرآیند انتخاب مدل An Alternative to the Model Selection Process

خودکار ARIMA Auto ARIMA

  • خودکار ARIMA Auto ARIMA

  • آماده سازی پایتون برای انتخاب مدل Preparing Python for Model Selection

  • پیش فرض بهترین تناسب The Default Best Fit

  • آرگومان های پایه خودکار ARIMA Basic Auto ARIMA Arguments

  • آرگومان های خودکار ARIMA پیشرفته Advanced Auto ARIMA Arguments

  • هدف پشت مدلینگ The Goal Behind Modelling

پیش بینی Forecasting

  • مقدمه ای بر پیش بینی Introduction to Forecasting

  • بازده پیش بینی ساده با AR و MA Simple Forecasting Returns with AR and MA

  • پیش بینی متوسط ​​(مدل "MAX"). Intermediate ("MAX" Model) Forecasting

  • پیش بینی پیشرفته (فصلی). Advanced (Seasonal) Forecasting

  • پیش بینی خودکار ARIMA Auto ARIMA Forecasting

  • مشکلات پیش بینی Pitfalls of Forecasting

  • پیش بینی نوسانات Forecasting Volatility

  • پیوست پیش بینی: پیش بینی چند متغیره Forecasting Appendix: Multivariate Forecasting

مورد تجاری Business Case

  • مورد تجاری - نگاهی به صنعت خودرو Business Case - A Look Into the Automobile Industry

  • تکمیل 100% Completing 100%

نمایش نظرات

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.

آموزش تجزیه و تحلیل سری زمانی در پایتون 2023
جزییات دوره
7.5 hours
97
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
14,625
4.5 از 5
دارد
دارد
دارد
365 Careers
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

365 Careers 365 Careers

ایجاد فرصت برای دانشجویان علوم داده و مالی