Previsione di serie temporali con PyTorch: fondamenti del deep learning

Le previsioni delle serie temporali sono una competenza fondamentale in ambito finanziario, meteorologico e nelle operazioni aziendali. Questo corso fornisce un'introduzione completa all'analisi dei dati sequenziali, all'identificazione dei modelli e alla costruzione di sofisticati modelli di previsione.Alla fine, sarai in grado di preelaborare i dati delle serie temporali grezzi e implementare architetture di previsioni personalizzate utilizzando il framework PyTorch. Cosa imparerai: * Comprendere le proprietà statistiche fondamentali dei dati delle serie temporali, tra cui stazionarietà, autocorrelazione e stagionalità. * Applicare tecniche di preparazione dei dati specifiche per i dati sequenziali, come la finestra, il ridimensionamento e l'ingegneria delle funzionalità. * Costruire modelli di previsione fondamentali come ARIMA e Smoothing esponenziale per il confronto di base necessario. * Progettare e implementare architetture di deep learning (come RNN e LSTM) per la previsione multi-step utilizzando PyTorch. * Configurare i dataset e i dataloader PyTorch ottimizzati per la gestione delle sequenze e l'addestramento batch efficiente. * Pratica di valutazione delle prestazioni del modello utilizzando metriche di previsione standard come MAE, MSE e RMSE. Il corso inizia con la terminologia essenziale e i metodi statistici classici per l'analisi delle serie temporali, quindi passa all'implementazione pratica del deep learning, guidandoti attraverso la configurazione di un ambiente PyTorch e la costruzione del tuo primo predittore di rete neurale da zero. Questo corso è progettato per i principianti in data science o machine learning che hanno dimestichezza con la programmazione Python di base e sono pronti ad applicare il deep learning alle attività di previsione.Non è richiesta alcuna esperienza precedente con PyTorch o analisi delle serie temporali. Inizia a creare potenti modelli predittivi oggi stesso e ottieni nuove informazioni dai tuoi dati.