Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Lära Challenge | Stationary Models
Time Series Analysis
course content

Kursinnehåll

Time Series Analysis

Time Series Analysis

1. Time Series: Let's Start
IntroductionPractical ExamplesModel TypesImplementation in PythonVisualization
2. Time Series Processing
Reading and Visualizing DataStationarityAutocorrelationDecomposition
3. Time Series Visualization
Simple Time SeriesCustomize Your PlotChallenge
4. Stationary Models
Examples of Stationary Time SeriesSimple Moving AverageAutoregressionAutoregressive-Integrated-Moving-Average ModelChallenge
5. Non-Stationary Models
Examples of Non-Stationary Time SeriesConvert Non-Stationary Data to StationaryChallenge 1Challenge 2
6. Solve Real Problems
Weather ForecastingStore Demand ForecastFinancial MarketsPredict the Emergence of Repeat CustomersMedicine: EEG Forecasting

book
Challenge

Uppgift

Swipe to start coding

Create an autoregressive model to predict the dataset aapl.csv. After, print the results and the model error.

  1. Read the aapl.csv dataset.
  2. Create an autoregressive model (AutoReg) with 3 lags for the X data and assign it to the model variable.
  3. Fit model to the data and assign it to the model_fit variable.
  4. Predict the first 30 values.
  5. Visualize the results: display the first 30 values of X within the first call of the print() function, and first 30 values of the predictions within the second call.
  6. Calculate the RMSE (square root of the mean squared error) and display it.

Lösning

Switch to desktopByt till skrivbordet för praktisk övningFortsätt där du är med ett av alternativen nedan
Var allt tydligt?

Hur kan vi förbättra det?

Tack för dina kommentarer!

Avsnitt 4. Kapitel 5
toggle bottom row

book
Challenge

Uppgift

Swipe to start coding

Create an autoregressive model to predict the dataset aapl.csv. After, print the results and the model error.

  1. Read the aapl.csv dataset.
  2. Create an autoregressive model (AutoReg) with 3 lags for the X data and assign it to the model variable.
  3. Fit model to the data and assign it to the model_fit variable.
  4. Predict the first 30 values.
  5. Visualize the results: display the first 30 values of X within the first call of the print() function, and first 30 values of the predictions within the second call.
  6. Calculate the RMSE (square root of the mean squared error) and display it.

Lösning

Switch to desktopByt till skrivbordet för praktisk övningFortsätt där du är med ett av alternativen nedan
Var allt tydligt?

Hur kan vi förbättra det?

Tack för dina kommentarer!

Avsnitt 4. Kapitel 5
Switch to desktopByt till skrivbordet för praktisk övningFortsätt där du är med ett av alternativen nedan
Vi beklagar att något gick fel. Vad hände?
some-alt