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)

Att ladda börsdata med hjälp av biblioteket `yfinance` i Python demonstreras. `yfinance` ger enkel åtkomst till historisk aktiedata, vilket är avgörande för tidsserieprognoser såsom aktiekursförutsägelser.

- **Vad är** `yfinance`: det är ett Python-bibliotek som erbjuder ett enkelt sätt att ladda ner historisk aktiedata från Yahoo Finance. Det stöder olika datapunkter såsom aktiekurser, volymer och utdelningar, och kan hämta data för enskilda aktier eller marknadsindex;
- **Installera `yfinance`**: innan du använder `yfinance` måste du installera biblioteket. Du kan installera det med pip:
```python
! pip install yfinance
```
- **Ladda data**: 
```python
ticker = "GOOGL"  # Exempel: Google aktieticker
  start_date = "2013-01-01"
  end_date = "2024-12-31"
stock_data = yf.download(ticker, 
start=start_date, end=end_date)
```

Vilken av följande kolumner INGÅR INTE i datan som hämtas från yfinance?

Behärska rekurrenta neurala nätverk och deras avancerade varianter som LSTM och GRU med PyTorch. Få praktisk erfarenhet av att bearbeta sekventiell data för tillämpningar i verkliga situationer. Använd dessa kraftfulla modeller för att lösa utmaningar inom tidsserieprognoser och olika uppgifter inom naturlig språkbehandling.

Behandlar begränsningarna hos traditionella neurala nätverk för sekventiell data och introducerar grunderna i rekurrenta neurala nätverk. Förklarar RNN-arkitektur, typer och steg-för-steg-implementering genom grundläggande exempel och en kodningsutmaning.

Utforskar vanliga träningsutmaningar såsom försvinnande och exploderande gradienter. Introducerar avancerade RNN-varianter inklusive LSTM och GRU, med fokus på deras interna mekanismer och användningsområden, samt praktiska implementeringsexempel för varje.

Fokuserar på bearbetning och prognostisering av tidsseriedata med hjälp av RNN-baserade modeller. Inkluderar datainläsning, förbehandlingstekniker, modellträning och prestandautvärdering, med tonvikt på jämförelse mellan LSTM- och GRU-arkitekturer.

Demonstrerar tillämpningen av RNN:er på textklassificeringsuppgifter. Täcker grundläggande NLP-koncept, metoder för textkodning, steg för databereddning samt konstruktion av en LSTM-baserad modell för sentimentprediktion.

Laddar Data

Laddar Data