Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Desafio | Modelos Estacionários
Análise de Séries Temporais
course content

Conteúdo do Curso

Análise de Séries Temporais

Análise de Séries Temporais

1. Séries Temporais: Vamos Começar
IntroduçãoExemplos PráticosTipos de ModeloImplementação em PythonVisualização
2. Processamento de Séries Temporais
Lendo e Visualizando DadosEstacionaridadeAutocorrelaçãoDecomposição
3. Visualização de Séries Temporais
Séries Temporais SimplesPersonalize Seu GráficoDesafio
4. Modelos Estacionários
Exemplos de Séries Temporais EstacionáriasMédia Móvel SimplesAutoregressãoModelo Autoregressivo Integrado de Médias MóveisDesafio
5. Modelos Não Estacionários
Exemplos de Séries Temporais Não EstacionáriasConverter Dados Não Estacionários em EstacionáriosDesafio 1Desafio 2
6. Resolver Problemas Reais
Previsão do TempoPrevisão de Demanda da LojaMercados FinanceirosPrever o Surgimento de Clientes RecorrentesMedicina: Previsão de EEG

bookDesafio

Tarefa
test

Swipe to show code editor

Crie um modelo autorregressivo para prever o conjunto de dados aapl.csv. Em seguida, imprima os resultados e o erro do modelo.

  1. Leia o conjunto de dados aapl.csv.
  2. Crie um modelo autorregressivo (AutoReg) com 3 defasagens para os dados X e atribua à variável model.
  3. Ajuste o modelo aos dados e atribua à variável model_fit.
  4. Preveja os primeiros 30 valores.
  5. Visualize os resultados: exiba os primeiros 30 valores de X dentro da primeira chamada da função print(), e os primeiros 30 valores das predictions na segunda chamada.
  6. Calcule o RMSE (raiz quadrada do erro médio quadrático) e exiba-o.
Switch to desktopMude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo
Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 4. Capítulo 5
toggle bottom row

bookDesafio

Tarefa
test

Swipe to show code editor

Crie um modelo autorregressivo para prever o conjunto de dados aapl.csv. Em seguida, imprima os resultados e o erro do modelo.

  1. Leia o conjunto de dados aapl.csv.
  2. Crie um modelo autorregressivo (AutoReg) com 3 defasagens para os dados X e atribua à variável model.
  3. Ajuste o modelo aos dados e atribua à variável model_fit.
  4. Preveja os primeiros 30 valores.
  5. Visualize os resultados: exiba os primeiros 30 valores de X dentro da primeira chamada da função print(), e os primeiros 30 valores das predictions na segunda chamada.
  6. Calcule o RMSE (raiz quadrada do erro médio quadrático) e exiba-o.
Switch to desktopMude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo
Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 4. Capítulo 5
toggle bottom row

bookDesafio

Tarefa
test

Swipe to show code editor

Crie um modelo autorregressivo para prever o conjunto de dados aapl.csv. Em seguida, imprima os resultados e o erro do modelo.

  1. Leia o conjunto de dados aapl.csv.
  2. Crie um modelo autorregressivo (AutoReg) com 3 defasagens para os dados X e atribua à variável model.
  3. Ajuste o modelo aos dados e atribua à variável model_fit.
  4. Preveja os primeiros 30 valores.
  5. Visualize os resultados: exiba os primeiros 30 valores de X dentro da primeira chamada da função print(), e os primeiros 30 valores das predictions na segunda chamada.
  6. Calcule o RMSE (raiz quadrada do erro médio quadrático) e exiba-o.
Switch to desktopMude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo
Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Tarefa
test

Swipe to show code editor

Crie um modelo autorregressivo para prever o conjunto de dados aapl.csv. Em seguida, imprima os resultados e o erro do modelo.

  1. Leia o conjunto de dados aapl.csv.
  2. Crie um modelo autorregressivo (AutoReg) com 3 defasagens para os dados X e atribua à variável model.
  3. Ajuste o modelo aos dados e atribua à variável model_fit.
  4. Preveja os primeiros 30 valores.
  5. Visualize os resultados: exiba os primeiros 30 valores de X dentro da primeira chamada da função print(), e os primeiros 30 valores das predictions na segunda chamada.
  6. Calcule o RMSE (raiz quadrada do erro médio quadrático) e exiba-o.
Switch to desktopMude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo
Seção 4. Capítulo 5
Switch to desktopMude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo
We're sorry to hear that something went wrong. What happened?
some-alt