- Регистрация
- 26 Март 2018
- Сообщения
- 85.294
Автор: Kaggle
Название: Временные ряды для прогноза криптовалют [stepik] [Елена Кантонистова]
Описание:
Курс посвящен изучению методов анализа и прогнозирования временных рядов на примере криптовалют с помощью классических подходов и при помощи машинного обучения
Чему вы научитесь
познакомитесь с задачей прогнозирования временных рядов и основными подходами к ее решению
узнаете о Python библиотеках, предназначенных для анализа временных рядов
поучаствуете в соревновании и построите прогнозные модели для предсказания цен на криптовалюты
О курсе
В данном курсе изучаются методы анализа временных рядов и решается задача прогнозирования цены криптовалют с помощью классических подходов, а также при помощи машинного обучения
Для кого этот курс
Курс предназначен для слушателей, знакомых с основами анализа данных и машинного обучения и желающих научиться специальным подходам, предназначенным для прогнозирования временных рядов. Также курс будет интересен тем, кто интересуется поведением криптовалют
Начальные требования
знание математики в рамках школьной программы
знание алгоритмов анализа данных и машинного обучения на начальном или среднем уровне
умение программировать на python на начальном уровне или выше
Елена Кантонистова. Кандидат физико-математических наук, выпускница школы анализа данных Яндекса (ШАД)
Академический руководитель магистратуры "Искусственный интеллект" (ранее "Машинное обучение и высоконагруженные системы") Факультета компьютерных наук ВШЭ, доцент департамента больших данных и информационного поиска ФКН…
Интенсив состоит из трех онлайн-занятий:
Методы анализа временных рядов, линейные модели
Вебинар от эксперта по криптовалютам
Машинное обучение для построения прогнозов
Программа курса
Как устроен курс
Особенности работы с временными рядами
Материалы первого вебинара
Домашнее задание
Рассказ эксперта о криптовалютах
Машинное обучение для прогнозирования временных рядов
Фреймворки для работы с временными рядами в Python
Материалы третьего вебинара
Домашнее задание
Адаптивный подход
Улучшения классических экспоненциальных моделей
Домашнее задание
Платформа Kaggle
Подведение итогов
В курс входят 15 уроков 7часов 25минут видео 25 тестов
Название: Временные ряды для прогноза криптовалют [stepik] [Елена Кантонистова]
Описание:
Курс посвящен изучению методов анализа и прогнозирования временных рядов на примере криптовалют с помощью классических подходов и при помощи машинного обучения
Чему вы научитесь
познакомитесь с задачей прогнозирования временных рядов и основными подходами к ее решению
узнаете о Python библиотеках, предназначенных для анализа временных рядов
поучаствуете в соревновании и построите прогнозные модели для предсказания цен на криптовалюты
О курсе
В данном курсе изучаются методы анализа временных рядов и решается задача прогнозирования цены криптовалют с помощью классических подходов, а также при помощи машинного обучения
Для кого этот курс
Курс предназначен для слушателей, знакомых с основами анализа данных и машинного обучения и желающих научиться специальным подходам, предназначенным для прогнозирования временных рядов. Также курс будет интересен тем, кто интересуется поведением криптовалют
Начальные требования
знание математики в рамках школьной программы
знание алгоритмов анализа данных и машинного обучения на начальном или среднем уровне
умение программировать на python на начальном уровне или выше
Елена Кантонистова. Кандидат физико-математических наук, выпускница школы анализа данных Яндекса (ШАД)
Академический руководитель магистратуры "Искусственный интеллект" (ранее "Машинное обучение и высоконагруженные системы") Факультета компьютерных наук ВШЭ, доцент департамента больших данных и информационного поиска ФКН…
Интенсив состоит из трех онлайн-занятий:
Методы анализа временных рядов, линейные модели
Вебинар от эксперта по криптовалютам
Машинное обучение для построения прогнозов
Программа курса
Как устроен курс
Особенности работы с временными рядами
Материалы первого вебинара
Домашнее задание
Рассказ эксперта о криптовалютах
Машинное обучение для прогнозирования временных рядов
Фреймворки для работы с временными рядами в Python
Материалы третьего вебинара
Домашнее задание
Адаптивный подход
Улучшения классических экспоненциальных моделей
Домашнее задание
Платформа Kaggle
Подведение итогов
В курс входят 15 уроков 7часов 25минут видео 25 тестов
Скрытый контент для пользователей All-dar.