[申請] Time Series Analysis, Forecasting, and Machine Learning Python for LSTMs, ARIMA, Deep Learning, AI, Support Vector Regression, +More Applied to Time Series Forecasting

公佈欄 StudyCamp 助學計畫
1

https://www.udemy.com/course/time-series-analysis/?couponCode=TIMEVIP26

(1) 課程名稱和課程描述，以及其連結:

時間序列分析課程（第二門）
    
Time Series Analysis, Forecasting, and Machine Learning
Python for LSTMs, ARIMA, Deep Learning, AI, Support Vector Regression, +More Applied to
    Time Series Forecasting
Bestseller
Rating: 4.7 out of 5
4.7  (1,807 ratings)
6,373 students
Created by Lazy Programmer

(2) 想要學習的技能或知識
時間序列分析
AI 相關知識

(3) 為什麼選擇這門課程
共學指定的課程

(4) 如何將所學，應用到未來的學習或職業生涯中
第一個應用=>共學的分享
第二個應用=>證券市場行情分析

1個讚
2

感謝豐有兄支持本活動，審核的結果是通過。

請到以下連結填寫您的資料，謝謝！

通過【StudyCamp 助學計畫】的朋友，請填寫本表單

3

豐有兄午安，已轉帳至您帳戶，有空時請查收，謝謝。

預祝學習順利大成功！

1個讚
4

結案報告
這是課程連結: Time Series Analysis, Forecasting, and Machine Learning | Udemy

這是共學過程的影片連結 : 時間序列分析二部曲 - YouTube

先把結論放前面，下面關於內容的整理，有仰仗 LLM 大型語言的AI 模型幫忙。

過程中，與夥伴們的 14周共同研究，腦力激盪，把通篇內容硬嗑了一遍，是一個很不錯的體驗

關於“時間序列分析二部曲”視頻系列,我要給出的總體評價和建議如下:

  1. 講解全面深入,知識內容豐富。覆蓋了時序分析的絕大部分主流方法和模型,從基礎到前沿都有涉及,學習價值很高。
  2. 搭配程式碼演練的實際案例,有助於對理論知識的消化吸收和迅速上手實踐應用。
  3. 講者言簡意賅,通俗易懂,講解步驟非常明確。對初學和進階學習者都很友好。
  4. 建議可以增設一些複雜時序分析案例,以及介紹更多企業運用實例。這有助於提升視頻系列的實用價值。
  5. 時序資料視覺化呈現可以再優化。增加一些互動式圖表,更直觀展示方法效果對比。

總的來說,這是一個高質量的時間序列分析的完整教學,我高度推薦感興趣的觀眾去觀看和學習。

Week 1 - Time Series Basics

這是一個時間序列分析教學影片,第一周主要介紹時間序列的基礎知識。

講者首先定義了什麼是時間序列,它是按照時間順序收集的觀測值序列。

接著講解了各種類型的時間序列模式,如趨勢(trend)、週期(cycle)、季節(seasonality)等。

重點提到時間序列分析的目的有兩個:

一是了解和解釋歷史數據的模式,

二是預測未來走勢。

預測涉及建立合適的模型(如ARIMA/SARIMA、RNN/LSTM等)並選擇適當的預測指標。

最後介紹了R語言和Python在時間序列分析領域常用的套件,比如statsmodels、pmdarima、Prophet等。並展示簡單的R語言程式範例。

總的來說,這是一個入門性質的時間序列分析基礎影片,適合想要瞭解這一領域的初學者。主要內容圍繞定義、重要概念、目的和應用等方面。

Week 2 - 指數平滑法和ETS方法(上)

內容總結如下:

  1. 介紹了移動平均、加權移動平均等方法的優缺點,並在此基礎上引入了指數平滑法。
  2. 詳細講解了單指數平滑法、雙指數平滑法和三指數平滑法,並舉例說明了它們分別適用的時間序列模式。
  3. 通過Python語言實例,展示了如何選擇並評估最佳的指數平滑模型。
  4. 指出了傳統指數平滑法的一些限制,比如只適用於單一模式的時間序列。
  5. 在此基礎上引入了Error-Trend-Seasonality(ETS)方法,它可以自動偵測時間序列的組成模式並選擇合適的指數平滑方程式組合。

精華:

  1. 詳細講解指數平滑法思想並舉例
  2. 引出ETS方法概念
  3. 運用Python語言實現平滑模型選擇和效果評估

這是一個很好的指數平滑和ETS方法入門影片

Week 3 - 指數平滑法和ETS方法(下)的內容總結如下:

  1. 接上集內容,進一步深入介紹了ETS模型,包括季節性ETS模型的三種類型:加法型、乘法型和混合型。
  2. 講解了如何通過Python語言實現ETS模型的建立、診斷和選擇最優模型。並給出完整的程式碼示例。
  3. 展示了ETS預測的圖形展示方法。同時指出ETS依賴歷史數據的特點,預測能力受到數據量的影響。
  4. 通過案例對比了naive方法、移動平均法、ETS法的預測結果,說明ETS法整體上優於傳統方法,但也有局限性需要注意。
  5. 最後總結了ETS模型的特點,並介紹了一些進階修改,包括非線性改良、 hero異常值處理等。

精華:

  1. 詳細講解多種ETS模型並給出程式碼
  2. ETS預測效果案例對比展示
  3. 總結ETS模型特點並提出改進思路

整體上是一個實用的ETS預測法動手實戰解說。

Week 4 - ARIMA(上) 的內容總結如下:

  1. 介紹了ARIMA模型的基本概念,AR代表自迴歸(Auto Regressive),MA代表移動平均(Moving Average)。
  2. 強調ARIMA模型非常重要,可以捕捉許多實際時間序列的規律模式。適用範圍更廣泛。
  3. 詳細講解了不同參數的AR模型和MA模型,以及它們對時間序列的影響。
  4. 使用R語言步驟展示如何判別時間序列的ARIMA (p,d,q)參數。需要進行平穩性檢查、畫自相關圖(ACF)和偏自相關圖(PACF)。
  5. 通過實例評估不同ARIMA模型的優劣並選擇最佳模型進行預測。

精華:

  1. ARIMA模型原理講解
  2. 使用R語言實現ARIMA模型確定和預測
  3. 案例評估ARIMA模型效果

協助我們瞭解和運用ARIMA模型的入門。

Week 5 - ARIMA(下)的內容總結:

  1. 接續上集內容,進一步深入講解ARIMA模型中整合趨勢項和季節項的SARIMA模型。

  2. 詳細介紹了季節差分的概念,以及瞭解時間序列的季節性的方法。

  3. 給出SARIMA模型建立、診斷、預測的完整Python語言實施代碼。從資料預處理到結果評估的每一步都有示例。

  4. 通過案例比較展示SARIMA預測結果優於之前的SES、ARIMA模型。同時也說明其局限性。

  5. 最後介紹簡化版的自動SARIMA(Auto ARIMA)算法,讓軟件自動確定最優參數。

精華:

  1. SARIMA模型原理和程式碼詳解

  2. 案例驗證SARIMA模型預測效果

  3. Auto SARIMA自動模型選擇思路

關於YouTube影片 - 【時間序列分析二部曲】Week 6 - 向量自迴歸模型(VAR) 的內容總結如下:

  1. 介紹向量自迴歸模型VAR的基本概念,用於研究多個時間序列間的動態關係。

  2. VAR模型延伸了單一時間序列的AR模型思想。區別在於VAR中的迴歸變量是向量而不是單個變量。

  3. 詳細講解VAR模型的參數估計、滿足穩定性的條件、模型選擇標準。

  4. 使用Python語言逐步演示VAR模型的建立、選擇、預測等實現過程。

  5. 指出了VAR模型可以用來分析變量之間的延遲效應、脈衝響應、因果關係等。

精華:

  1. VAR模型原理解析

  2. Python語言實現VAR模型過程

  3. VAR在時間序列因果分析中的應用

本節內容目的在教會我們瞭解向量自迴歸模型VAR

Week 7 - 機器學習方法 的內容總結如下:

  1. 介紹了使用機器學習方法做時間序列預測的優勢,可以自動挖掘時間序列中的複雜規律模式。
  2. 詳細講解了常見的RNN(遞歸神經網絡)、LSTM(長短期記憶網絡)在時序預測中的應用。
  3. 使用Keras/TensorFlow實現LSTM做股價預測的完整程式碼。從資料預處理到模型訓練再到結果評估。
  4. 比較展示機器學習方法相對傳統時序分析的優劣。指出它需要大量歷史數據,對異常值敏感。
  5. 最後介紹了一些值得關注的新方法,如Transformers、Prophet等在時序預測中的應用前景。

精華:

  1. 機器學習時序預測方法優勢
  2. LSTM預測實戰案例
  3. 新方法介紹

這是很好的機器學習時序預測方法入門教學。

Week 8 - 深度學習:人工神經網絡(ANN)(上) 的內容總結:

  1. 介紹人工神經網絡ANN在時序預測中的優勢,可以模型複雜資料模式。

  2. 講解了ANN的基本原理,包括神經元、激活函數、網絡層的概念。

  3. 使用Keras/TensorFlow實現ANN做股價預測的完整程式碼。包含資料預處理、模型定義、編譯、訓練、評估、預測等步驟。

  4. 探索不同網絡結構(隱藏層數量/神經元數量)的影響。指出過度配置網絡結構的風險。

  5. 比較ANN模型與LSTM、傳統ARIMA模型的預測效果。

精華:

  1. ANN模型原理講解

  2. 實戰案例演練ANN模型建立、訓練、評估過程

  3. ANN模型預測優缺點

這是很好的ANN深度學習入門與實踐教學影片。

Week 9 - 深度學習:人工神經網絡(ANN)(下)的內容總結如下:

  1. 接續上集內容,進一步探討了如何優化ANN模型的超參數,包括激活函數、優化器、批次大小、學習率等。

  2. 講解了過擬合與欠擬合的概念。介紹了泛化能力評估的方法,比如hold-out validation。

  3. 展示多種提高ANN泛化能力的技巧。比如加入Dropout層、L1/L2正規化、批次標準化(Batch Normalization)等。

  4. 使用TensorBoard對模型訓練過程進行視覺化追蹤,幫助分析問題和優化模型。

  5. 最後總結了ANN模型的優缺點,以及需要注意的幾個問題。

精華:

  1. ANN超參數優化策略

  2. 泛化能力評估與改進技巧

  3. TensorBoard視覺化分析

這是很有實踐價值的ANN模型優化調參影片。

【時間序列分析二部曲】Week 10 - 深度學習:卷積神經網絡(CNN) 的內容總結如下:

  1. 介紹卷積神經網絡CNN在時序預測領域中的應用現狀與優勢。
  2. 卷積層和池化層的工作原理。這些結構可以自動學習時序資料中的局部模式。
  3. 使用Keras建立1D CNN,在時間序列分類預測案例中與RNN、DNN模型做比較。
  4. 探索卷積核大小、池化大小、網絡深度等超參數的影響。
  5. 最後總結CNN模型優缺點。指出其對時序資料的運算效率更高,在趨勢預測中很有潛力。

精華:

  1. CNN模型在時序預測領域的應用優勢
  2. 1D CNN實現程式碼
  3. CNN與RNN、DNN優缺點比較

這是很好的時序CNN入門概述教學影片。

Week 11 - 深度學習:遞歸神經網絡(RNN)(上)的內容總結如下:

  1. 介紹RNN在時序預測領域的應用優勢,可以學習時序資料的長程依賴模式。
  2. 講解了基本RNN單元的計算過程。指出其可能存在的梯度消失和梯度爆炸問題。
  3. 從編碼器-解碼器(Encoder-Decoder)模型談起,帶入Seq2Seq框架在機器翻譯等領域的成功應用。
  4. 使用Keras實現簡單的多對一Seq2Seq模型。並給出遺失計算和模型訓練的程式碼示例。
  5. 最後介紹了注意力機制(Attention),是Seq2Seq模型的一個重要拓展。

精華:

  1. RNN和Seq2Seq模型原理
  2. 編碼器-解碼器框架介紹
  3. Seq2Seq程式碼實踐示範

Week 12 - 深度學習:遞歸神經網絡(RNN)(下) 的內容總結如下:

  1. 接上集內容,進一步深入講解了RNN的兩個重要改進版本:GRU(閘控遞歸單元)和LSTM(長短期記憶)。
  2. 比較了各模型的計算流程與結構差異,並分析GRU與LSTM如何減輕了基本RNN的梯度消失/爆炸問題。
  3. 使用Keras實現了基於LSTM的序列分類預測,完整步驟包括數據處理、模型定義、編譯、訓練、預測等。
  4. 對比實驗展示LSTM相比RNN/GRU的模型預測效果更好。
  5. 最後總結LSTM模型的優缺點,指出其計算量大,佔用內存多等限制。

精華:

  1. LSTM與GRU模型結構差異比較
  2. Keras實現LSTM分类預測
  3. LSTM模型預測優缺點分析

這是很好的RNN高階模型理論與實踐概述。

Week 13 - VIP 課程:GARCH 的內容總結如下:

  1. 介紹了GARCH模型,它是研究金融時間序列中異常波動(波動聚集)的重要方法。
  2. 講解了ARCH模型和GARCH模型的框架以及參數,可以捕捉時變波動現象。
  3. 使用R語言實現了GARCH(1,1)模型運用在股市波動率估計和VaR值計算的應用。
  4. 展示了修改後的GARCH類模型,比如EGARCH、TGARCH等以及它們的優化之處。
  5. 最後指出GARCH類模型在其他領域也開始有了擴展應用,如能源預測、壽命分析等。

精華:

  1. GARCH模型框架和原理講解
  2. 使用Python語言進行GARCH模型運用和波動率預測
  3. GARCH模型變體以及拓展應用介紹

這是金融時間序列分析很有實用價值的高階課程

Week 14 - VIP 課程:Facebook Prophet 的內容總結如下:

  1. 介紹Facebook開源的Prophet庫,它是一種基於additive模型的時間序列預測法。
  2. Additive模型組成為趨勢+季節性+假日效應+錯誤。Prophet自動擬合這些成分。
  3. 使用Python實現了Prophet在線性和非線性預測中的應用。程式碼相對簡單,易於上手。
  4. 可以通過配置參數,對模型個別組成部分做調整和控制。
  5. 案例對比 exhibits Prophet預測的準確度和穩健性優於傳統ARIMA等方法。

精華:

  1. Prophet模型構建和理論基礎
  2. Python實踐案例和程式碼
  3. Prophet預測效果評測

這是很有實用價值的時序預測新方法介紹。