Séances de cours associées à Analyse des séries chronologiques : modèles ARMA

Estimation linéaire et prévision : modèles et méthodes

Explore l'estimation linéaire et la prédiction dans les modèles paramétriques AR, en se concentrant sur les équations Yule Walker et le filtre Wiener.

Séries chronologiques: Fondements et modèles

Couvre les principes fondamentaux de l'analyse des séries chronologiques, y compris les modèles, la stationnarité et les aspects pratiques.

Séries horaires: Estimation spectrale et Yule Walker

Sur Time Series explore les modèles Spectral Estimation, Yule Walker et ARIMA.

Séries chronologiques: Représentation et modélisation

Couvre les propriétés stochastiques des séries temporelles, de la stationnarité, de l'autocovariance, des processus stochastiques spéciaux, de la densité spectrale, des filtres numériques, des techniques d'estimation, du contrôle des modèles, de la prévision et des modèles avancés.

Analyse statistique : dispersion et valeurs normales

Explore la dispersion statistique et son impact sur la détermination des valeurs normales et l'analyse des données.

Séries chronologiques: Estimation paramétrique

Couvre l'estimation paramétrique, la modélisation saisonnière, les méthodes Box-Jenkins, les calculs de variance et les mesures de dépendance dans l'analyse des séries chronologiques.

Arbres de régression et méthodes d'ensemble dans l'apprentissage automatique

Discute des arbres de régression, des méthodes d'ensemble et de leurs applications dans la prévision des prix des voitures d'occasion et des rendements des stocks.

Vecteur Autorégression

Explore Vector Autoregression pour la modélisation de séries temporelles à valeur vectorielle, couvrant la stabilité, les équations de Yule-Walker et la représentation spectrale.

Réseaux neuronaux : Perceptrons multicouches

Couvre les Perceptrons multicouches, les neurones artificiels, les fonctions d'activation, la notation matricielle, la flexibilité, la régularisation, la régression et les tâches de classification.

Critères de sélection du modèle : AIC, BIC, Cp

Explore les critères de sélection des modèles comme l'AIC, le BIC et le Cp en statistique pour la science des données.

Overfitting dans l'apprentissage supervisé: études de cas et techniques

Aborde l'ajustement excessif dans l'apprentissage supervisé par le biais d'études de cas de régression polynomiale et de techniques de sélection de modèles.

Séries chronologiques: Modèles communs

Couvre les modèles de séries chronologiques communes, l'élimination des tendances et les techniques d'ajustement de la saisonnalité.

Régression linéaire : Inférence statistique et régularisation

Couvre le modèle probabiliste de régression linéaire et l'importance des techniques de régularisation.

Box-Jenkins Méthodologie: Bâtir des modèles de séries chronologiques

Couvre la méthodologie Box-Jenkins pour construire des modèles de séries chronologiques, y compris l'identification des modèles, les calculs de variance et le diagnostic des modèles.

Spécification du modèle dans les séries chronologiques

Couvre l'identification et la spécification du modèle dans l'analyse des séries chronologiques, y compris les modèles d'EI et l'estimation des moindres carrés.

Analyse des séries chronologiques: ARIMA et modèles saisonniers

Couvre les modèles ARIMA, ARI et saisonniers pour l'analyse des séries chronologiques.

Modèles linéaires généralisés

Couvre les probabilités, les variables aléatoires, les attentes, les GLM, les tests d'hypothèse et les statistiques bayésiennes avec des exemples pratiques.

Analyse des données immobilières: Statistiques descriptives

Explorer l'analyse des données immobilières au moyen de statistiques descriptives, de corrélations, de régressions et de méthodes de prévision.

Processus linéaires généraux : Comprendre la stationnarité et l'invertibilité

Explore les processus linéaires généraux, mettant l'accent sur la stationnarité et l'invertibilité dans les modèles AR, MA et ARMA.

Prévision de la demande : Initiation du modèle

Explore la prévision de la demande par le biais de l'initiation du modèle, y compris l'identification des tendances, les composantes saisonnières et la détermination du niveau de base, afin de valider et de surveiller les erreurs de prévision.

Analyse des séries chronologiques : modèles ARMA

Chattez avec Graph Search