Análise de Séries Temporais

Análise de Séries Temporais

0%

1. Séries Temporais: Vamos Começar

Comece pela introdução às séries temporais para avançar em tópicos mais aprofundados. Descubra o que são, com que frequência ocorrem em negócios reais, como analisá-las e fazer previsões.

Exemplos Práticos

Tipos de Modelo

Implementação em Python

2. Processamento de Séries Temporais

Qual é a diferença entre tendência e sazonalidade? Os dados com os quais estou trabalhando são estacionários ou não? Nesta seção, você aprenderá como analisar características de séries temporais usando Python!

Lendo e Visualizando Dados

Estacionaridade

Autocorrelação

3. Visualização de Séries Temporais

Aprenda mais sobre séries temporais através... de sua visualização! Explore seus dados com gráficos 2D e 3D.

Séries Temporais Simples

Personalize Seu Gráfico

4. Modelos Estacionários

Qual será o nosso primeiro passo? Vamos começar com modelos estacionários! Crie seu primeiro modelo preditivo que irá prever séries temporais.

Exemplos de Séries Temporais Estacionárias

Média Móvel Simples

Modelo Autoregressivo Integrado de Médias Móveis

5. Modelos Não Estacionários

A maior parte dos dados com os quais você trabalha é não estacionária. Aprenda como processar tais dados e quais modelos utilizar para prever os mesmos.

Exemplos de Séries Temporais Não Estacionárias

Converter Dados Não Estacionários em Estacionários

6. Resolver Problemas Reais

Vamos mergulhar em uma variedade de tarefas interessantes que você pode encontrar ao trabalhar com séries temporais! Descubra quão grandes são esses desafios e quais modelos podemos usar para resolvê-los.

Previsão do Tempo

Previsão de Demanda da Loja

Mercados Financeiros

Prever o Surgimento de Clientes Recorrentes

Medicina: Previsão de EEG

Conteúdo do Curso

Análise de Séries Temporais

Análise de Séries Temporais

1. Séries Temporais: Vamos Começar

Introdução Exemplos Práticos Tipos de Modelo Implementação em Python Visualização

2. Processamento de Séries Temporais

Lendo e Visualizando Dados Estacionaridade Autocorrelação Decomposição

3. Visualização de Séries Temporais

Séries Temporais Simples Personalize Seu Gráfico Desafio

4. Modelos Estacionários

Exemplos de Séries Temporais Estacionárias Média Móvel Simples Autoregressão Modelo Autoregressivo Integrado de Médias Móveis Desafio

5. Modelos Não Estacionários

Exemplos de Séries Temporais Não Estacionárias Converter Dados Não Estacionários em Estacionários Desafio 1 Desafio 2

6. Resolver Problemas Reais

Previsão do Tempo Previsão de Demanda da Loja Mercados Financeiros Prever o Surgimento de Clientes Recorrentes Medicina: Previsão de EEG

Previsão de Demanda da Loja

Como no problema anterior, modelos ligeiramente diferentes são atualmente utilizados para prever a demanda, o que é mais complicado que o usual ARIMA. Por exemplo? SARIMAX.

Este modelo é muito semelhante ao modelo ARIMA, exceto que há um conjunto adicional de componentes autorregressivos e de médias móveis.

O modelo SARIMA permite que os dados sejam diferenciados por frequência sazonal, bem como por outras diferenças não sazonais. Saber quais opções são as melhores pode ser facilitado com frameworks de busca automática de opções, como o pmdarima.

Você pode usar o SARIMA com statsmodels:

A média móvel também pode ser usada para prever a demanda. No entanto, os resultados que podemos obter com esse método podem superar até mesmo o XGBoost (reduzindo o erro em 32%). Mas o que devemos esperar de um método tão simples?

De qualquer forma, sua principal tarefa na previsão de séries temporais é a escolha ótima do tamanho do modelo (sua performance computacional) e os resultados que ele pode trazer.

Tudo estava claro?

Seção 6. Capítulo 2

some-alt