Section 7 — Time Series Analysis with Statsmodels: 這章終於開始接觸time series重要的python包Statsmodels,然後淺談了時間序列的基礎。但這裡介紹的都還是非預測的部分,主要是對一組時間序列如何進行拆分,大致會拆成ETS (Error-Trend-Seasonal)。這裡還會特別說根據ETS概念衍伸而來的Holt — Winters Methods,也是利用這樣拆分的概念作為模型的理論。
Section 8 — General Forecasting Models: 這才是整個課程的主軸,總共有快要6小時的內容。我個人認為雖然說Models是複數,但其實講者只是想帶出最有名的ARIMA以及SARIMA而已,可以說他是ARIMA的粉絲。好處是身為知名度最大的模型,ARIMA整套在這段被解釋的最詳細,而且講者提供的sample code整套流程是很完整的。跟上一章結合起來是整個課程比較好的兩個章節。
Section 9 — Deep Learning for Time Series Forecasting: 這章開始就讓人比較失望,我覺得講者可能認為SARIMA一招打天下就夠了。他自己也在課程中說覺得沒有必要用Deep Learning來做時間序列這點我是同意的因為在實際商務上Deep Learning就像是黑盒子根本無法解釋,但以它現在在Machine Learning的重要程度來說我覺得它值得更長的篇幅來探討,並跟其他方法橫向比較。不過若是完全沒有接觸過Keras包,是可以在這學會搭一個簡單的LSTM模型。