Análises de séries temporais

Semana 1

Essa aula introduz séries temporais e seus aplicativos. Os tópicos incluem:

  • O que é série temporal e por que é importante
  • Como decompor tendência, sazonalidade e resíduos
  • O que são modelos aditivos, multiplicativos e pseudoaditivos
  • A aplicação da previsão de séries temporais com Python

Baixar

Semana 2

Essa aula introduz a estacionariedade e suas transformações matemáticas. Ela contém:

  • A definição de estacionariedade e sua relevância
  • Métodos de transformação, como diferenciação, retificação e logaritmos
  • Como diferenciar os dados de não estacionariedade e estacionariedade com Python

Baixar

Semana 3

Essa aula ensina sobre métodos de suavização de dados e suas aplicações. Aprenda sobre:

  • Por que a suavização de dados é essencial para a análise de dados
  • Técnicas de suavização de dados — da média simples à suavização exponencial tripla
  • Como suavizar dados de séries temporais com Python

Baixar

Semana 4

Essa aula explica a autocorrelação e a autocorrelação parcial. Os tópicos incluem:

  • O que são funções de autocorrelação e autocorrelação parcial e como funcionam?
  • As variações de modelos, tais como modelos autorregressivos e modelos de médias móveis
  • Como usar Python para criar modelos de autocorrelação

Baixar

Semana 5

Essa aula apresenta os modelos ARMA, ARIMA e SARIMA. Os tópicos incluem:

  • Como os modelos ARMA, ARIMA e SARIMA funcionam e como construí-los
  • Como implementar esses modelos com Python

Baixar

Semana 6

Essa aula entra em mais detalhes sobre séries temporais avançadas. Os tópicos incluem:

  • Como usar gráficos de controle para detecção de anomalias
  • Uma introdução e caso de uso para filtros de Kalman

Baixar

Semana 7

Essa aula introduz as transformações de sinal. Aprenda sobre:

  • Por que as transformações de sinal são úteis para análise de séries temporais
  • Técnicas como transformadas de Fourier, filtros e funções de janela

Baixar

Semana 8

Essa aula ensina como usar a aprendizagem profunda com análise de séries temporais. Os tópicos incluem:

  • Uma explanação sobre as arquiteturas RNN e LSTM
  • Como usar Python para implementar modelos de aprendizagem profunda para previsão de séries temporais

Baixar