Master time series forecasting from the ground up through one cohesive, real-world project: predicting global semiconductor chip sales and NVIDIA stock prices. This hands-on course takes you through the complete forecasting workflow—acquiring data from APIs and public sources, wrangling and engineering features, running EDA, and building models that actually ship. You'll implement the full spectrum of techniques: classical statistical models (ARIMA, SARIMA, SARIMAX, Prophet), tree-based machine learning (XGBoost, LightGBM with Optuna tuning), and deep learning architectures (LSTM, GRU, CNN-LSTM, Temporal Fusion Transformers). Go further with multivariate analysis using Granger causality, VAR, and VECM to uncover how chip sales and stock prices influence each other, then combine everything into ensemble and hybrid pipelines. Finally, deploy your best model as a live FastAPI endpoint and an interactive Streamlit dashboard, complete with automated retraining and cloud deployment. Across 4 modules and 48 concise videos, you'll build a portfolio-ready, end-to-end forecasting system that demonstrates production-grade skills employers value.

Time Series Forecasting with Python: Models to Production

Time Series Forecasting with Python: Models to Production

Instructeur : Board Infinity
Inclus avec En savoir plus
Demander à Coursera
Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.
niveau Intermédiaire
Expérience recommandée
1 semaine à compléter
à 10 heures par semaine
Planning flexible
Apprenez à votre propre rythme
Ce que vous apprendrez
Build and evaluate statistical models: exponential smoothing, Holt-Winters, ARIMA, SARIMA, SARIMAX, and Prophet.
Implement deep learning architectures: LSTM, GRU, CNN-LSTM hybrids, and Temporal Fusion Transformers.
Frame forecasting as supervised learning and train tree-based models with leak-free time series cross-validation.
Compétences que vous acquerrez
- Catégorie : Predictive Modeling
- Catégorie : Data Preprocessing
- Catégorie : Statistical Methods
- Catégorie : Correlation Analysis
- Catégorie : Model Evaluation
- Catégorie : MLOps (Machine Learning Operations)
- Catégorie : Model Training
- Catégorie : Forecasting
- Catégorie : Recurrent Neural Networks (RNNs)
- Catégorie : Deep Learning
- Catégorie : Supervised Learning
- Catégorie : Applied Machine Learning
- Catégorie : Data Wrangling
- Catégorie : Time Series Analysis and Forecasting
- Catégorie : Statistical Modeling
- Catégorie : Machine Learning
- Catégorie : Statistical Analysis
- Catégorie : Feature Engineering
Outils que vous découvrirez
- Catégorie : Python Programming
- Catégorie : Model Deployment
Détails à connaître

Certificat partageable
Ajouter à votre profil LinkedIn
Récemment mis à jour !
juin 2026
Évaluations
16 devoirs
Enseigné en Anglais
Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées

Il y a 4 modules dans ce cours
Instructeur

Offert par
En savoir plus sur Data Analysis
Statut : Essai gratuit
Statut : Essai gratuitDeepLearning.AI
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?

Felipe M.
Étudiant(e) depuis 2018
’Pouvoir suivre des cours à mon rythme à été une expérience extraordinaire. Je peux apprendre chaque fois que mon emploi du temps me le permet et en fonction de mon humeur.’

Jennifer J.
Étudiant(e) depuis 2020
’J'ai directement appliqué les concepts et les compétences que j'ai appris de mes cours à un nouveau projet passionnant au travail.’

Larry W.
Étudiant(e) depuis 2021
’Lorsque j'ai besoin de cours sur des sujets que mon université ne propose pas, Coursera est l'un des meilleurs endroits où se rendre.’

Chaitanya A.
’Apprendre, ce n'est pas seulement s'améliorer dans son travail : c'est bien plus que cela. Coursera me permet d'apprendre sans limites.’
Faites progresser votre carrière avec un diplôme en ligne
Obtenez un diplôme auprès d’universités de renommée mondiale - 100 % en ligne
Foire Aux Questions
Plus de questions
Aide financière disponible,




