Top, gostei muito dessa aula, muito bom mesmo, comecei agora a aprender Séries temporais em Python e seu vídeo me ajudou bastante, praticamente caiu como uma luva rsrs, você está de parabéns pela qualidade da didática, conteúdo e do vídeo. Conheci o canal essa semana, mas já me inscrevi para não perder nada XD Muito obrigada e que Deus lhe abençoe, sucesso e tudo de bom sempre !!
Opa, que maravilha Gamova! Ficamos muito felizes por saber que conseguimos ajudar. Esse é o nosso propósito com os vídeos aqui no TH-cam. Desejamos bons estudos e sucesso pra você também! Grande abraço.
Muito boa essa live, parabéns, estou levando a surra do arima em umas previsões que preciso fazer no meu trabalho pois em algumas ocasiões não consigo entender o que fez a previsão se desviar tanto do valor real.
@@letsdataAI vocês tem algum fórum ou canal no telegram onde as.pessoas podem conversar sobre esses assuntos de data science? Sinto muito a falta de um local assim pra conversar com pessoas mais experientes que eu em alguns assuntos quando fico meio perdido
Na nossa Jornada temos uma comunidade. Fica de olho nas novas turmas: www.letsdata.ai/a-jornada Comunidades abertas tem o Data Hackers e a Universidade dos Dados do Yukio! Abraço!!
Parabéns pelo vídeo! Muito bom mesmo! Gostaria de perguntar se poderias explicar, talvez noutro momento, - a diferença entre ".predict( )" e o ".forecast()" - dessa forma não precisa separar dados para treino e teste ? Obrigado pelo ajuda!
O forecast é o “predict” do ARIMA. Os métodos de validação/teste variam nas diferentes aplicações, mas a separação das bases é necessária para “simular” as predições com dados em produção, para ter aguma noção se as previsões são boas o suficiente pra implantar.
Parabéns!! Excelente conteúdo! É a live mais completa que já assistir até agora. Só fiquei curioso de saber como é o processo de criar vários modelos, já que o XGBoost só prever o dia treinado e não pode usar o mesmo para prever vários para o erro não enviesar.
Olá Professor, tenho mais uma dúvida na explicação do mínuto 49:00. Entendi a questão da temporalidade, entretanto, estou com a seguinte dúvida, está aumentando duas colunas independentes correto? preço ontem e venda ontem, nesse caso para validar o modelo o usuário teria que informar o preço ontem e vendas ontem? Abraço,
Ola amigo , se eu usar XGB para Forecast vou ter que usar a previsao do meu modelo para previsão futura , falo isso pq vc enfatizou que o modelo vai potencializar o erro fazendo desta forma, sabendo disso , qual modelo é melhor para forecast? ARIMA ou XGB ?
Olá! Na verdade os dois servem pra previsão futura, mas chegam lá de formas diferentes. Sugiro assistir novamente o vídeo, pois são muitos detalhes e isso pode realmente confundir! 🙂 Um abraço!
No exemplo com o XGBoost você fez o shift e deixou o dataframe com 2 features (uma preditora e outra de target). Eu posso fazer alguns shifts e deixar o dataframe com, por exemplo, 4 features, sendo 3 meses pra trás (preditoras) e 1 mês como target? Funcionaria assim?
Boa tarde. Quando tento executar o primeiro código dá esse erro: ERROR: pip's dependency resolver does not currently take into account all the packages that are installed. This behaviour is the source of the following dependency conflicts. skforecast 0.5.1 requires statsmodels=0.12, but you have statsmodels 0.13.5 which is incompatible. Alguem poderia me ajudar?
Olá Professor, ótimas aulas, tens que fazer uma série só com séries temporais, bom tenho uma pergunta, no meu modelo de machine learning a medida que eu aumento o horizonte de previsão, por exemplo, meu RMSE para um shift(-15) (previsão para quinze dias) é maior que o RMSE para um shift(-30) (30 dias). Em outras, palavras, ele ta errando menos para uma previsão maior isso é possível? Não teria que ser o contrário? Ou, de repente meu modelo é bom para 30 dias, simples assim? Abraço,
Olá Professor, ótima explicação, mas fiquei com uma dúvida no ARIMA: Por exemplo, posso treinar um modelo com um conjunto de dados de temperatura(exemplo) , sendo que esse conjunto é diário e inicia em 2010 e termina em 2018? Só que quero predizer os próximos dias nesse ano de 2023 e não exatamente no final de 2018. Nesse caso eu teria que informar um registro de temperatura do ano de 2023 para ele predizer o próximo, depois de treinado? Ex: temperatura12042023 = 28; arima.predict(temperatura12042023) Nesse caso ele daria a predição para o próximo dia??
Valeu, Paulo!!! Se você treinou em dados diários, as previsões serão diárias. Para chegar até 2023 você teria que colocar um número muito grande de períodos pra chegar até lá, com uma margem de erro muito alta. Se você usar o pdm, o parâmetro para a quantidade de períodos é o "n_periods". O que você pode fazer (mas ainda assim é um gap muito grande de 2018 a 2023) é usar períodos maiores, como trimestres ou semestres.
Boa tarde. quando eu uso o comando: modelo_xgb = XGBRegressor(objetive="reg:squarederror", n_estimators=1000) modelo_xgb.fit(X_treino, Y_treino) dá o seguinte warning: WARNING: /workspace/src/objective/regression_obj.cu:152: reg:linear is now deprecated in favor of reg:squarederror. XGBRegressor(n_estimators=1000, objetive='reg:squarederror') e não retorna os valores do video
Excelente conteúdo, gostei bastante da aula!
Que bom que curtiu!!
Top, gostei muito dessa aula, muito bom mesmo, comecei agora a aprender Séries temporais em Python e seu vídeo me ajudou bastante, praticamente caiu como uma luva rsrs, você está de parabéns pela qualidade da didática, conteúdo e do vídeo. Conheci o canal essa semana, mas já me inscrevi para não perder nada XD Muito obrigada e que Deus lhe abençoe, sucesso e tudo de bom sempre !!
Opa, que maravilha Gamova! Ficamos muito felizes por saber que conseguimos ajudar. Esse é o nosso propósito com os vídeos aqui no TH-cam. Desejamos bons estudos e sucesso pra você também! Grande abraço.
ola boa noite
Boa noite!
aula incrível, que didática boa, carisma parabens espero ver mais sobre o assuno vou usar no meu TCC alguns destes modelos
Valeu demais pela força!!! Maratone à vontade! :)
Caraca tu conseguiu deixar um tema complicado, fácil... me senti naquele meme "Na minha cabeça eu sei fazer" kkk....Parabens de verdade e obrigada.
Hahaha, que massa, Bruna!! Valeu demais pelo elogio, conte sempre com a gente!
Cara, tu é bom mesmo nesses paranauê hein? Tua didática é "duka" !!!
Valeu demais pela força, Daniel!! ❤️
Aula perfeita. muto obrigada.
Eba! Que bom que gostou! Conte com a gente!
Meninos,tô pirada,nestes assuntosssss.
Vou aprenderrrr.Socorro‼️Amei👏
Que legal!! Aproveita pra maratonar, tem bastante coisa!
Sensacional. Muito bom. Obrigado
Que bom que gostou! De nada Pedro! Obrigado
Continue firme com os videos! Lhe desejo toda sorte com o teu canal! Siga postando os videos!
te desejo muita sorte com o canal!
Obrigado!
Aula excelente! Parabéns
Valeu, Gabriel!! Felizes que tenha gostado :)
Muito bom, parabéns
Valeu, mestre!!
Obrigada pela aula!! Super didática!
Valeu pela força, Gabrielle! Aproveite pra maratonar! :)
Obrigada pela excelente aula!
Valeu, Walquiria!!
Muuuuito bom! Obrigado 👏🏻
Valeu Aramís! Muito obrigado!
Muito boa essa live, parabéns, estou levando a surra do arima em umas previsões que preciso fazer no meu trabalho pois em algumas ocasiões não consigo entender o que fez a previsão se desviar tanto do valor real.
Valeu, Flávio! Pois é, esse vídeo arranhamos a casca, pois tem muita análise a ser feita, principalmente quando usamos métodos tradicionais.
@@letsdataAI vocês tem algum fórum ou canal no telegram onde as.pessoas podem conversar sobre esses assuntos de data science? Sinto muito a falta de um local assim pra conversar com pessoas mais experientes que eu em alguns assuntos quando fico meio perdido
Na nossa Jornada temos uma comunidade. Fica de olho nas novas turmas:
www.letsdata.ai/a-jornada
Comunidades abertas tem o Data Hackers e a Universidade dos Dados do Yukio! Abraço!!
Top demais professor!
Valeu, José Carlos!! Conte com a gente!
Parabéns pelo vídeo! Muito bom mesmo!
Gostaria de perguntar se poderias explicar, talvez noutro momento,
- a diferença entre ".predict( )" e o ".forecast()"
- dessa forma não precisa separar dados para treino e teste ?
Obrigado pelo ajuda!
O forecast é o “predict” do ARIMA. Os métodos de validação/teste variam nas diferentes aplicações, mas a separação das bases é necessária para “simular” as predições com dados em produção, para ter aguma noção se as previsões são boas o suficiente pra implantar.
Parabéns!! Excelente conteúdo! É a live mais completa que já assistir até agora. Só fiquei curioso de saber como é o processo de criar vários modelos, já que o XGBoost só prever o dia treinado e não pode usar o mesmo para prever vários para o erro não enviesar.
Valeu, Warley!! Ótima dica, vamos fazer um só de XGBoost pra séries temporais.
Olá Professor, tenho mais uma dúvida na explicação do mínuto 49:00. Entendi a questão da temporalidade, entretanto, estou com a seguinte dúvida, está aumentando duas colunas independentes correto? preço ontem e venda ontem, nesse caso para validar o modelo o usuário teria que informar o preço ontem e vendas ontem?
Abraço,
Isso, só tem que tomar cuidado com leakage! Na separação de treino e validação tem que dar um "espaço" pra não ter dados do treino na validação.
Ola amigo , se eu usar XGB para Forecast vou ter que usar a previsao do meu modelo para previsão futura , falo isso pq vc enfatizou que o modelo vai potencializar o erro fazendo desta forma, sabendo disso , qual modelo é melhor para forecast? ARIMA ou XGB ?
Olá! Na verdade os dois servem pra previsão futura, mas chegam lá de formas diferentes. Sugiro assistir novamente o vídeo, pois são muitos detalhes e isso pode realmente confundir! 🙂 Um abraço!
Tem como eu plotar um gráfico dos valores de predição com o XGBoost? Teria como me orientar nisso? Obrigado.
Tem sim! Temos vídeos com gráficos com vários pacotes. Dá uma olhadinha no vídeo de Seaborn! :)
ola, voce tem o notebook deste exemplo disponivel ?
Tá na mão:
github.com/letsdata/series-temporais-python
No exemplo com o XGBoost você fez o shift e deixou o dataframe com 2 features (uma preditora e outra de target). Eu posso fazer alguns shifts e deixar o dataframe com, por exemplo, 4 features, sendo 3 meses pra trás (preditoras) e 1 mês como target? Funcionaria assim?
Pode sim! Tem só que tomar cuidado com data leakage. Tem que avaliar se as informações estarão disponíveis no momento da inferência.
Boa tarde. Quando tento executar o primeiro código dá esse erro: ERROR: pip's dependency resolver does not currently take into account all the packages that are installed. This behaviour is the source of the following dependency conflicts.
skforecast 0.5.1 requires statsmodels=0.12, but you have statsmodels 0.13.5 which is incompatible.
Alguem poderia me ajudar?
Tenta um pip uninstall statsmodels e depois pip install statsmodels==0.12.2
Olá Professor, ótimas aulas, tens que fazer uma série só com séries temporais, bom tenho uma pergunta, no meu modelo de machine learning a medida que eu aumento o horizonte de previsão, por exemplo, meu RMSE para um shift(-15) (previsão para quinze dias) é maior que o RMSE para um shift(-30) (30 dias). Em outras, palavras, ele ta errando menos para uma previsão maior isso é possível? Não teria que ser o contrário? Ou, de repente meu modelo é bom para 30 dias, simples assim?
Abraço,
Valeu, Paulo!!! Quando treinou o modelo, qual lag você usou de target (variável dependente)?
@@letsdataAI Oi Professor, erro meu, acabei esquecendo de remover a variável dependente do escopo das independentes. Agora td certo. Obrigado.
Qual o modelo que eu posso aplicar com series estacionarias?
Os modelos que a gente mostrou funciona bem pra esses casos!
Olá Professor, ótima explicação, mas fiquei com uma dúvida no ARIMA:
Por exemplo, posso treinar um modelo com um conjunto de dados de temperatura(exemplo) , sendo que esse conjunto é diário e inicia em 2010 e termina em 2018? Só que quero predizer os próximos dias nesse ano de 2023 e não exatamente no final de 2018. Nesse caso eu teria que informar um registro de temperatura do ano de 2023 para ele predizer o próximo, depois de treinado? Ex:
temperatura12042023 = 28;
arima.predict(temperatura12042023)
Nesse caso ele daria a predição para o próximo dia??
Valeu, Paulo!!! Se você treinou em dados diários, as previsões serão diárias. Para chegar até 2023 você teria que colocar um número muito grande de períodos pra chegar até lá, com uma margem de erro muito alta. Se você usar o pdm, o parâmetro para a quantidade de períodos é o "n_periods". O que você pode fazer (mas ainda assim é um gap muito grande de 2018 a 2023) é usar períodos maiores, como trimestres ou semestres.
Boa tarde. quando eu uso o comando: modelo_xgb = XGBRegressor(objetive="reg:squarederror", n_estimators=1000)
modelo_xgb.fit(X_treino, Y_treino) dá o seguinte warning: WARNING: /workspace/src/objective/regression_obj.cu:152: reg:linear is now deprecated in favor of reg:squarederror.
XGBRegressor(n_estimators=1000, objetive='reg:squarederror') e não retorna os valores do video
Talvez seja um typo. Tá escrito “objetive” ao invés de “objective”