Summary  
This chapter covers using a Python library to fetch historical time series data from an external API—demonstrating how to install the library, import it, and call its download function with ticker symbols and date ranges.  

General domain of usage  
Financial time series analysis (e.g., stock price forecasting)

Laster inn børsdata ved hjelp av `yfinance`-biblioteket i Python demonstreres. `yfinance` gir enkel tilgang til historiske aksjedata, noe som er essensielt for tidsserieprognoser som aksjeprisprediksjon.

- **Hva er** `yfinance`: det er et Python-bibliotek som gir en enkel måte å laste ned historiske aksjedata fra Yahoo Finance. Det støtter ulike datapunkter som aksjepriser, volumer og utbytter, og kan hente data for enkeltaksjer eller markedsindekser;
- **Installere `yfinance`**: før du bruker `yfinance`, må du installere biblioteket. Du kan installere det med pip:
```python
! pip install yfinance
```
- **Laste inn data**: 
```python
ticker = "GOOGL"  # Eksempel: Google aksjeticker
  start_date = "2013-01-01"
  end_date = "2024-12-31"
stock_data = yf.download(ticker, 
start=start_date, end=end_date)
```

Hvilken av følgende kolonner er IKKE inkludert i dataene hentet fra yfinance?

Bli ekspert på rekursive nevrale nettverk og deres avanserte varianter som LSTM og GRU ved bruk av PyTorch. Få praktisk erfaring med behandling av sekvensielle data for anvendelser i praksis. Bruk disse kraftige modellene til å løse reelle utfordringer innen tidsserieprognoser og ulike oppgaver innen naturlig språkprosessering.

Dekker begrensningene ved tradisjonelle nevrale nettverk for sekvensielle data og introduserer grunnleggende prinsipper for rekurrente nevrale nettverk. Forklarer RNN-arkitektur, typer og trinnvis implementering gjennom grunnleggende eksempler og en kodeutfordring.

Utforsker vanlige treningsutfordringer som forsvinnende og eksploderende gradienter. Introduserer avanserte RNN-varianter, inkludert LSTM og GRU, med fokus på deres interne mekanismer og bruksområder, samt praktiske implementeringseksempler for hver.

Fokuserer på behandling og prediksjon av tidsseriedata ved bruk av RNN-baserte modeller. Inkluderer datainnhenting, forhåndsbehandlingsteknikker, modelltrening og ytelsesevaluering, med vekt på sammenligning av LSTM- og GRU-arkitekturer.

Demonstrerer anvendelsen av RNN-er på tekstklassifiseringsoppgaver. Dekker sentrale NLP-konsepter, metoder for tekstkoding, trinn for datapreparering og konstruksjon av en LSTM-basert modell for prediksjon av sentiment.

Laster Inn Dataene

Laster Inn Dataene