Python Predictive Analytics: A Deep Dive into Time Series Forecasting

எங்கள் தரவு சார்ந்த உலகில், எதிர்காலத்தை கணிக்கக்கூடிய திறன் ஒரு மாய கலை அல்ல, முக்கியமான வணிக செயல்பாடு. உலகளாவிய சில்லறைச் சங்கிலியில் விற்பனையை முன்னறிவிப்பது முதல் ஒரு ஸ்மார்ட் நகரத்திற்கான ஆற்றல் நுகர்வு கணிப்பது வரை, எதிர்கால போக்குகளை எதிர்பார்ப்பது ஒரு முக்கிய போட்டி நன்மை. இந்த முன்கணிப்பு சக்தியின் மையத்தில் கால வரிசை முன்னறிவிப்பு உள்ளது, மேலும் நவீன தரவு விஞ்ஞானிகளுக்கான தேர்வு கருவி பைதான்.

இந்த விரிவான வழிகாட்டி பைத்தானைப் பயன்படுத்தி கால வரிசை முன்னறிவிப்பு உலகத்தை உங்களுக்கு வழிகாட்டும். நாங்கள் அடிப்படைகளுடன் தொடங்குவோம், பாரம்பரிய புள்ளியியல் மாதிரிகளை ஆராய்வோம், நவீன இயந்திர கற்றல் மற்றும் ஆழமான கற்றல் நுட்பங்களை ஆராய்வோம், மற்றும் வலுவான முன்னறிவிப்பு மாதிரிகளை உருவாக்க, மதிப்பீடு செய்ய மற்றும் பயன்படுத்த உங்களுக்கு அறிவை வழங்குவோம். நீங்கள் ஒரு தரவு ஆய்வாளர், ஒரு இயந்திர கற்றல் பொறியியலாளர் அல்லது ஒரு வணிகத் தலைவராக இருந்தாலும், இந்த கட்டுரை வரலாற்று தரவை செயல்படக்கூடிய எதிர்கால நுண்ணறிவுகளாக மாற்றுவதற்கான ஒரு நடைமுறை வரைபடத்தை உங்களுக்கு வழங்கும்.

Understanding the Fundamentals of Time Series Data

நாங்கள் மாதிரிகளை உருவாக்க முன், எங்கள் தரவின் தனித்துவமான இயல்பைப் புரிந்து கொள்ள வேண்டும். ஒரு கால வரிசை என்பது தொடர்ச்சியான, சமமாக இடைவெளி உள்ள நேரங்களில் சேகரிக்கப்பட்ட தரவு புள்ளிகளின் வரிசையாகும். இந்த தற்காலிக சார்பு தான் அதை வேலை செய்ய சவாலாகவும் கவர்ச்சியாகவும் ஆக்குகிறது.

What Makes Time Series Data Special?

கால வரிசை தரவை பொதுவாக நான்கு முக்கிய கூறுகளாக பிரிக்கலாம்:

• Trend: தரவின் அடிப்படை நீண்டகால திசை. இது பொதுவாக அதிகரித்து வருகிறதா, குறைகிறதா அல்லது காலப்போக்கில் நிலையானதா? உதாரணமாக, ஸ்மார்ட்போன்களின் உலகளாவிய தத்தெடுப்பு ஒரு தசாப்தத்திற்கும் மேலாக ஒரு நிலையான மேல்நோக்கிய போக்கைக் காட்டியுள்ளது.
• Seasonality: நிலையான இடைவெளியில் ஏற்படும் கணிக்கக்கூடிய, மீண்டும் மீண்டும் வரும் முறைகள் அல்லது ஏற்ற இறக்கங்கள். ஒவ்வொரு ஆண்டும் விடுமுறை காலத்தில் உச்சம் பெறும் சில்லறை விற்பனையை அல்லது வார நாட்களில் அதிகரிக்கும் வலைத்தள போக்குவரத்தை நினைத்துப் பாருங்கள்.
• Cyclicality: நிலையான காலம் இல்லாத வடிவங்கள், பெரும்பாலும் பரந்த பொருளாதார அல்லது வணிக சுழற்சிகள் தொடர்பானவை. இந்த சுழற்சிகள் பருவகால வடிவங்களை விட நீளமாகவும் மாறுபடும். பல ஆண்டுகளாக நீடிக்கும் ஏற்றம் மற்றும் இறக்கம் கொண்ட ஒரு வணிக சுழற்சி ஒரு உன்னதமான எடுத்துக்காட்டு.
• Irregularity (or Noise): போக்கு, பருவகாலம் மற்றும் சுழற்சிகளைக் கணக்கிட்ட பிறகு எஞ்சியிருக்கும் தரவின் சீரற்ற, கணிக்க முடியாத கூறு. இது ஒரு அமைப்பில் உள்ளார்ந்த சீரற்ற தன்மையைக் குறிக்கிறது.

The Importance of Stationarity

பாரம்பரிய கால வரிசை பகுப்பாய்வின் மிக முக்கியமான கருத்துக்களில் ஒன்று நிலையற்ற தன்மை. ஒரு கால வரிசை நிலையானதாகக் கருதப்படுகிறது, அதன் புள்ளியியல் பண்புகள் - குறிப்பாக சராசரி, மாறுபாடு மற்றும் தன்னியக்கத் தொடர்பு - அனைத்தும் காலப்போக்கில் நிலையானதாக இருந்தால். எளிய சொற்களில், நிலையான தொடர் என்பது காலப்போக்கில் அதன் நடத்தை மாறாத ஒன்றாகும்.

இது ஏன் மிகவும் முக்கியமானது? ARIMA போன்ற பல பாரம்பரிய முன்னறிவிப்பு மாதிரிகள், கால வரிசை நிலையானது என்ற அனுமானத்தின் அடிப்படையில் கட்டப்பட்டுள்ளன. அவை புள்ளிவிவர ரீதியாக நிலையான ஒரு செயல்முறையை மாதிரியாக வடிவமைக்கப்பட்டுள்ளன. ஒரு தொடர் நிலையற்றதாக இருந்தால் (எ.கா., அதற்கு ஒரு தெளிவான போக்கு உள்ளது), மாதிரியின் துல்லியமான கணிப்புகளை உருவாக்கும் திறன் கடுமையாக பாதிக்கப்படுகிறது.

அதிர்ஷ்டவசமாக, வேறுபடுத்துதல் (முந்தைய அவதானிப்பை தற்போதைய ஒன்றிலிருந்து கழித்தல்) அல்லது மடக்கை அல்லது சதுர மூல மாற்றங்களைப் பயன்படுத்துவது போன்ற நுட்பங்கள் மூலம் நிலையற்ற தொடரை நிலையானதாக மாற்றலாம்.

Setting Up Your Python Environment for Forecasting

பைத்தானின் சக்தி அதன் பரந்த திறந்த மூல நூலகங்களின் சுற்றுச்சூழல் அமைப்பிலிருந்து வருகிறது. கால வரிசை முன்னறிவிப்புக்கு, ஒரு சில முற்றிலும் அவசியம்.

Essential Libraries You'll Need

• pandas: பைத்தானில் தரவு கையாளுதல் மற்றும் பகுப்பாய்விற்கான மூலக்கல். அதன் சக்திவாய்ந்த DataFrame ஆப்ஜெக்ட் மற்றும் சிறப்பு நேரத் தொடர் செயல்பாடுகள் இன்றியமையாதவை.
• NumPy: பெரிய, பன்முக பரிமாண வரிசைகள் மற்றும் மேட்ரிக்ஸிற்கான ஆதரவை வழங்கும் அறிவியல் கணக்கீடுகளுக்கான அடிப்படை தொகுப்பு.
• Matplotlib & Seaborn: தரவு காட்சிப்படுத்தலுக்கான கோ-டு நூலகங்கள். உங்கள் கால வரிசைகளின் அடுக்குகளை உருவாக்குவது அதன் வடிவங்களைப் புரிந்துகொள்வதற்கான முதல் படியாகும்.
• statsmodels: புள்ளியியல் மாதிரிக்கான ஒரு பவர்ஹவுஸ். ARIMA மற்றும் SARIMA போன்ற பாரம்பரிய கால வரிசை மாதிரிகள் உட்பட பலவிதமான புள்ளிவிவர மாதிரிகளின் மதிப்பீட்டிற்கான வகுப்புகள் மற்றும் செயல்பாடுகளை இது வழங்குகிறது.
• scikit-learn: பொதுவான இயந்திர கற்றலுக்கான மிகவும் பிரபலமான நூலகம். டேட்டா ப்ரீப்ராசஸிங், அம்ச பொறியியல் மற்றும் முன்கணிப்பு சிக்கல்களுக்கு ML மாதிரிகளைப் பயன்படுத்துவதற்கு இதைப் பயன்படுத்துகிறோம்.
• Prophet: Meta (முன்னர் பேஸ்புக்) உருவாக்கிய இந்த நூலகம், குறிப்பாக வலுவான பருவகால விளைவுகளைக் கொண்ட வணிகம் தொடர்பான நேரத் தொடர்களுக்கு, பெரிய அளவில் முன்னறிவிப்பை எளிதாக்குவதற்கும் அணுகக்கூடியதாக வடிவமைக்கப்பட்டுள்ளது.
• TensorFlow & Keras / PyTorch: இவை LSTM கள் போன்ற அதிநவீன மாதிரிகளை உருவாக்கப் பயன்படும் ஆழமான கற்றல் கட்டமைப்புகளாகும், அவை தொடர்ச்சியான தரவுகளில் மிகவும் சிக்கலான, நேரியல் அல்லாத வடிவங்களைப் பிடிக்க முடியும்.

Loading and Preparing Your Data

தரவு தயாரிப்பு ஒரு முக்கியமான முதல் படியாகும். பெரும்பாலான கால வரிசை தரவு CSV அல்லது எக்செல் கோப்புகள் போன்ற வடிவங்களில் வருகிறது. pandas ஐப் பயன்படுத்தி, இந்த தரவை ஏற்றுமதி செய்து பகுப்பாய்விற்காக அமைக்கலாம். உங்கள் தரவு சரியான DatetimeIndex ஐக் கொண்டிருப்பதை உறுதி செய்வதே மிக முக்கியமான படியாகும்.

            
import pandas as pd

# Load the dataset
# Assume 'data.csv' has two columns: 'Date' and 'Sales'
df = pd.read_csv('data.csv')

# Convert the 'Date' column to a datetime object
df['Date'] = pd.to_datetime(df['Date'])

# Set the 'Date' column as the index
df.set_index('Date', inplace=True)

# Now our DataFrame is indexed by time, which is ideal for forecasting
print(df.head())

            

              
                Copy
              
            
          

A Practical Walkthrough: From Data to Forecast

ஒரு கருதுகோள் உலகளாவிய விற்பனை தரவுத் தொகுப்பைப் பயன்படுத்தி, ஒரு கால வரிசை முன்னறிவிப்பு திட்டத்திற்கான பொதுவான பணிப்பாய்வு மூலம் செல்வோம்.

Step 1: Exploratory Data Analysis (EDA)

முதலில் உங்கள் தரவைப் பார்க்காமல் மாடலிங்கைத் தொடங்க வேண்டாம். காட்சிப்படுத்தல் முக்கியமானது.

Visualize the Time Series: எளிய வரி அடுக்குகள் போக்குகள், பருவகாலம் மற்றும் ஏதேனும் அசாதாரண நிகழ்வுகளை வெளிப்படுத்தலாம்.

            
import matplotlib.pyplot as plt

df['Sales'].plot(figsize=(12, 6), title='Global Sales Over Time')
plt.show()

            

              
                Copy
              
            
          

Decompose the Series: கூறுகளின் தெளிவான படத்தைப் பெற, தொடரை அதன் போக்கு, பருவகால மற்றும் எஞ்சிய பாகங்களாக பிரிக்க `statsmodels` ஐப் பயன்படுத்தலாம்.

            
from statsmodels.tsa.seasonal import seasonal_decompose

result = seasonal_decompose(df['Sales'], model='additive', period=12) # Assuming monthly data with yearly seasonality
result.plot()
plt.show()

            

              
                Copy
              
            
          

Check for Stationarity: நிலையற்றத்தன்மைக்கான பொதுவான புள்ளிவிவர சோதனை ஆக்மென்ட் செய்யப்பட்ட டிக்கி-ஃபுல்லர் (ADF) சோதனை ஆகும். பூஜ்ய கருதுகோள் தொடர் நிலையற்றது. சோதனையின் p-மதிப்பு ஒரு முக்கியத்துவ அளவை விட குறைவாக இருந்தால் (எ.கா., 0.05), நாம் பூஜ்ய கருதுகோளை நிராகரிக்கலாம் மற்றும் தொடர் நிலையானது என்று முடிவு செய்யலாம்.

Step 2: Classical Forecasting Models

பாரம்பரிய புள்ளிவிவர மாதிரிகள் பல தசாப்தங்களாக கால வரிசை முன்னறிவிப்புக்கு அடிப்படையாக உள்ளன, மேலும் அவை இன்னும் நம்பமுடியாத சக்தி வாய்ந்தவை மற்றும் விளக்கக்கூடியவை.

ARIMA: The Workhorse of Time Series Forecasting

ARIMA என்பது Autoregressive Integrated Moving Average என்பதன் சுருக்கமாகும். இது மூன்று கூறுகளை ஒருங்கிணைக்கும் ஒரு பல்துறை மாதிரி:

• AR (Autoregressive): ஒரு அவதானிப்புக்கும் சில தாமதமான அவதானிப்புகளின் எண்ணிக்கைக்கும் (p) இடையிலான சார்பு உறவைப் பயன்படுத்தும் ஒரு பின்னடைவு மாதிரி.
• I (Integrated): கால வரிசையை நிலையானதாக மாற்றுவதற்காக மூல அவதானிப்புகளை வேறுபடுத்துதல் (d) பயன்படுத்துதல்.
• MA (Moving Average): தாமதமான அவதானிப்புகளுக்கு பயன்படுத்தப்படும் நகரும் சராசரி மாதிரியிலிருந்து ஒரு அவதானிப்புக்கும் எஞ்சிய பிழைக்கும் இடையிலான சார்புநிலையைப் பயன்படுத்தும் மாதிரி (q).

மாதிரி ARIMA (p, d, q) எனக் குறிக்கப்படுகிறது. இந்த அளவுருக்களுக்கான உகந்த மதிப்புகளைக் கண்டுபிடிப்பது மாடலிங் செயல்முறையின் ஒரு முக்கிய பகுதியாகும்.

            
from statsmodels.tsa.arima.model import ARIMA

# Assume data is split into train and test sets
# model = ARIMA(train_data['Sales'], order=(5, 1, 0))
# model_fit = model.fit()

# Get forecast
# forecast = model_fit.forecast(steps=len(test_data))

            

              
                Copy
              
            
          

SARIMA: Handling Seasonality with Finesse

SARIMA (Seasonal ARIMA) என்பது ARIMA இன் விரிவாக்கமாகும், இது ஒரு பருவகால கூறு கொண்ட கால வரிசை தரவை வெளிப்படையாக ஆதரிக்கிறது. இது பருவகால வடிவங்களுக்கு கணக்கில் மற்றொரு அளவுருக்களை (P, D, Q, m) சேர்க்கிறது.

            
from statsmodels.tsa.statespace.sarimax import SARIMAX

# model = SARIMAX(train_data['Sales'], order=(1, 1, 1), seasonal_order=(1, 1, 1, 12))
# model_fit = model.fit()

            

              
                Copy
              
            
          

Step 3: Machine Learning Approaches

நாங்கள் ஒரு கால வரிசை சிக்கலை ஒரு மேற்பார்வையிடப்பட்ட கற்றல் பிரச்சனையாகவும் வடிவமைக்கலாம். இது கிரேடியண்ட் பூஸ்டிங் போன்ற சக்திவாய்ந்த இயந்திர கற்றல் வழிமுறைகளைப் பயன்படுத்த அனுமதிக்கிறது.

Feature Engineering for Time Series

ML மாதிரிகளைப் பயன்படுத்த, எங்கள் நேர-குறியிடப்பட்ட தரவிலிருந்து அம்சங்களை உருவாக்க வேண்டும். இதில் அடங்கும்:

• Time-based features: ஆண்டு, மாதம், வார நாள், காலாண்டு, ஆண்டின் வாரம்.
• Lag features: முந்தைய நேர படிகளில் தொடரின் மதிப்பு (எ.கா., முந்தைய மாதத்தின் விற்பனை).
• Rolling window features: ஒரு குறிப்பிட்ட காலப்பகுதியில் rolling mean அல்லது rolling standard deviation போன்ற புள்ளிவிவரங்கள்.

Using Models like XGBoost or LightGBM

எங்களிடம் ஒரு அம்சத் தொகுப்பு கிடைத்தவுடன், இலக்கு மாறியைக் கணிக்க XGBoost போன்ற பின்னடைவு மாதிரியைப் பயிற்றுவிக்கலாம். இலக்கு என்பது நாங்கள் முன்னறிவிக்க விரும்பும் மதிப்பு (எ.கா., `Sales`), மேலும் அம்சங்கள் பொறியியல் நேரம் சார்ந்த மற்றும் பின்னடைவு அம்சங்கள்.

Step 4: Deep Learning for Complex Patterns

நேரியல் அல்லாத வடிவங்களைக் கொண்ட மிகவும் சிக்கலான கால வரிசைகளுக்கு, ஆழமான கற்றல் மாதிரிகள் சிறந்த செயல்திறனை வழங்க முடியும்.

LSTM Networks: Remembering the Past

Long Short-Term Memory (LSTM) நெட்வொர்க்குகள் என்பது தொடர்ச்சியான நரம்பியல் பிணையத்தின் (RNN) ஒரு வகை, அவை நீண்டகால சார்புகளைக் கற்றுக்கொள்ள வடிவமைக்கப்பட்டுள்ளன. அவை கால வரிசை போன்ற தொடர்ச்சியான தரவுகளுக்கு சரியானவை, ஏனெனில் அவை ஒரு உள் 'நினைவகத்தை' கொண்டுள்ளன, இது எதிர்கால கணிப்புகளை தெரிவிக்க முந்தைய நேர படிகளில் இருந்து தகவல்களைத் தக்க வைத்துக் கொள்ளும்.

LSTM மாதிரியை உருவாக்குவதில் அடங்கும்:

1. தரவை அளவிடுதல் (நரம்பியல் நெட்வொர்க்குகள் அளவிடப்பட்ட தரவுடன் சிறப்பாக செயல்படுகின்றன, எ.கா., 0 மற்றும் 1 க்கு இடையில்).
2. தரவை நிலையான நீளத்தின் வரிசைகளாக மறுசீரமைத்தல் (எ.கா., அடுத்த நாளைக் கணிக்க கடைசி 60 நாள் தரவைப் பயன்படுத்தவும்).
3. Keras அல்லது PyTorch போன்ற நூலகத்தைப் பயன்படுத்தி LSTM கட்டமைப்பை உருவாக்குதல்.
4. பயிற்சி தரவுகளில் மாதிரியைப் பயிற்றுவித்தல் மற்றும் எதிர்கால மதிப்புகளைக் கணிக்க அதைப் பயன்படுத்துதல்.

Evaluating Your Forecast: How Good Are Your Predictions?

ஒரு மாதிரி எவ்வளவு சிறப்பாக செயல்படுகிறது என்பதை நீங்கள் அறியவில்லை என்றால் அது பயனற்றது. மதிப்பீடு ஒரு முக்கியமான படி.

Key Performance Metrics

உங்கள் கணிப்புகளின் துல்லியத்தை மதிப்பிடுவதற்கான பொதுவான அளவீடுகளில் பின்வருவன அடங்கும்:

• Mean Absolute Error (MAE): கணிக்கப்பட்ட மற்றும் உண்மையான மதிப்புகளுக்கு இடையிலான முழுமையான வேறுபாடுகளின் சராசரி. இது புரிந்து கொள்ளவும் விளக்கவும் எளிதானது.
• Mean Squared Error (MSE): சதுர வேறுபாடுகளின் சராசரி. இது MAE ஐ விட பெரிய பிழைகளை அதிக அளவில் தண்டிக்கிறது.
• Root Mean Squared Error (RMSE): MSE இன் சதுர மூலம். இது அசல் தரவைப் போன்ற அதே அலகுகளில் உள்ளது, இது MSE ஐ விட அதிகமாக விளக்கக்கூடியது.
• Mean Absolute Percentage Error (MAPE): முழுமையான சதவீத பிழைகளின் சராசரி. இது துல்லியத்தை சதவீதமாக வெளிப்படுத்துகிறது, இது வணிக அறிக்கையிடலுக்கு பயனுள்ளதாக இருக்கும்.

The Importance of a Hold-out Test Set

நிலையான இயந்திர கற்றல் சிக்கல்களைப் போலல்லாமல், பயிற்சி மற்றும் சோதனைக்காக கால வரிசை தரவை நீங்கள் தோராயமாக பிரிக்க முடியாது. அவ்வாறு செய்வது data leakage க்கு வழிவகுக்கும், அங்கு மாதிரிக்கு அணுக முடியாத எதிர்கால தகவல்களிலிருந்து மாதிரி கற்றுக்கொள்கிறது. பிளவு எப்போதும் தற்காலிக வரிசையை மதிக்க வேண்டும்: கடந்த காலங்களில் பயிற்சி, மற்றும் மிக சமீபத்திய தரவுகளில் சோதனை.

Advanced Topics and Modern Libraries

Automating Forecasting with Prophet

Prophet என்பது Meta's Core Data Science குழு உருவாக்கிய ஒரு நூலகமாகும். இது மிகவும் தானியங்கி மற்றும் ட்யூனபிள் ஆக வடிவமைக்கப்பட்டுள்ளது, இது வணிக முன்னறிவிப்பு பயன்பாடுகளுக்கு ஒரு சிறந்த தேர்வாக அமைகிறது. வலுவான பருவகால விளைவுகள் மற்றும் வரலாற்று தரவுகளின் பல பருவங்களைக் கொண்ட கால வரிசையுடன் இது சிறப்பாக செயல்படுகிறது.

தீர்க்கதரிசியின் முக்கிய பலங்கள்:

• பல பருவங்களை (எ.கா., வாராந்திர, ஆண்டுதோறும்) தானாக கையாளவும்.
• விடுமுறைகள் மற்றும் சிறப்பு நிகழ்வுகளின் விளைவை இணைக்கவும்.
• விடுபட்ட தரவு மற்றும் வெளிப்புறங்களைக் கடுமையாகக் கையாளவும்.

            
# from prophet import Prophet

# # Prophet requires the columns to be named 'ds' (datestamp) and 'y' (target)
# df_prophet = df.reset_index().rename(columns={'Date': 'ds', 'Sales': 'y'})

# model = Prophet()
# model.fit(df_prophet)

# future = model.make_future_dataframe(periods=365)
# forecast = model.predict(future)

# model.plot(forecast)

            

              
                Copy
              
            
          

Multivariate Time Series Forecasting

இதுவரை, நாங்கள் univariate முன்னறிவிப்பு பற்றி விவாதித்தோம் (ஒரு ஒற்றை தொடரை அதன் சொந்த கடந்த காலத்தை அடிப்படையாகக் கொண்டு கணிப்பது). Multivariate முன்னறிவிப்பில் ஒரு இலக்கைக் கணிக்க பல நேர சார்பு மாறிகளைப் பயன்படுத்துவது அடங்கும். உதாரணமாக, உங்கள் விற்பனையை முன்னறிவிக்க மார்க்கெட்டிங் செலவு, பொருளாதார குறிகாட்டிகள் மற்றும் போட்டியாளர் விலை நிர்ணயம் (அனைத்தும் கால வரிசைகளாக) பயன்படுத்தலாம். VAR (Vector Autoregression) மற்றும் VECMs போன்ற மாதிரிகள், அதே போல் மிகவும் சிக்கலான ஆழமான கற்றல் கட்டமைப்புகள் இந்த சூழ்நிலைகளை கையாள முடியும்.

Conclusion: The Future of Forecasting with Python

கால வரிசை முன்னறிவிப்பு என்பது ஒரு வளமான மற்றும் மாறுபட்ட துறையாகும், மேலும் பைதான் எந்தவொரு முன்னறிவிப்பு சவாலையும் சமாளிக்க ஒரு முழுமையான சுற்றுச்சூழல் அமைப்பை வழங்குகிறது. போக்குகள் மற்றும் பருவகாலம் பற்றிய அடிப்படைக் கருத்துகளிலிருந்து அதிநவீன ஆழமான கற்றல் மாதிரிகளின் செயல்படுத்தலுக்கு நாங்கள் பயணம் செய்துள்ளோம்.

எல்லா சிக்கல்களுக்கும் ஒரே 'சிறந்த' மாதிரி இல்லை என்பது முக்கிய விஷயம். தேர்வு உங்கள் தரவின் பண்புகள், உங்கள் முன்கணிப்பு அடிவானம் மற்றும் உங்கள் குறிப்பிட்ட வணிகத் தேவைகளைப் பொறுத்தது. ஒரு நிலையான ARIMA மாதிரி நிலையான, கணிக்கக்கூடிய தரவுகளுக்கு சரியானதாக இருக்கலாம், அதே நேரத்தில் நிலையற்ற நிதிச் சந்தைகளின் நுணுக்கங்களைப் பிடிக்க ஒரு சிக்கலான LSTM பிணையம் தேவைப்படலாம்.

தரவு தயாரிப்பு மற்றும் EDA முதல் மாடலிங் மற்றும் மதிப்பீடு வரை விவாதிக்கப்பட்ட கருவிகள் மற்றும் நுட்பங்களை மாஸ்டர் செய்வதன் மூலம், வரலாற்று தரவை ஒரு மூலோபாய சொத்தாக மாற்றுவதற்கு பைத்தானின் சக்தியை நீங்கள் பயன்படுத்தலாம், மேலும் தகவலறிந்த முடிவுகளை மற்றும் எதிர்காலத்திற்கான செயலூக்கமான உத்திகளை இயக்கலாம்.