Serie Temporali e Previsione
Analisi temporale, stazionarietà, ARIMA, Prophet, seasonal decomposition, metriche di previsione, backtesting
1Cos'è una serie temporale?
Cos'è una serie temporale?
Risposta
Una serie temporale è una sequenza di punti dati indicizzati in ordine cronologico. Le osservazioni sono raccolte a intervalli regolari (orari, giornalieri, mensili) e spesso mostrano dipendenze temporali. Esempi classici includono prezzi azionari, temperature e vendite mensili.
2Quali sono i tre componenti principali di una serie temporale nella decomposizione classica?
Quali sono i tre componenti principali di una serie temporale nella decomposizione classica?
Risposta
La decomposizione classica delle serie temporali identifica tre componenti: trend (evoluzione a lungo termine), stagionalità (pattern ripetitivi a intervalli fissi) e residuo (rumore casuale non spiegato). Questa decomposizione può essere additiva o moltiplicativa a seconda della natura dei dati.
3Cos'è la stazionarietà in una serie temporale?
Cos'è la stazionarietà in una serie temporale?
Risposta
Una serie temporale è stazionaria quando le sue proprietà statistiche (media, varianza, autocorrelazione) rimangono costanti nel tempo. La stazionarietà è un'assunzione fondamentale per molti modelli di previsione come ARIMA. Una serie non stazionaria spesso deve essere trasformata (differenziazione) prima della modellazione.
Quale test statistico è comunemente utilizzato per verificare la stazionarietà di una serie temporale?
Come rendere stazionaria una serie temporale non stazionaria?
+19 domande da colloquio
Altri argomenti di colloquio Data Science & ML
Fondamenti di Python
Programmazione Orientata agli Oggetti in Python
Strutture dati Python
Fondamenti di Git
Fondamenti di SQL
Fondamenti di NumPy
Fondamenti di Pandas
Jupyter & Google Colab
SQL Joins e query avanzate
Pandas avanzato
Visualizzazione con Matplotlib & Seaborn
Visualizzazioni interattive con Plotly
Statistica descrittiva
Statistica inferenziale
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisionato: Regressione
ML Supervisionato: Classificazione
Alberi Decisionali e Ensembles
ML Non Supervisionato
Pipeline ML e Validazione
Fondamenti di Deep Learning
TensorFlow & Keras
CNN e classificazione di immagini
RNN e Sequenze
Transformers e Attention
NLP e Hugging Face
GenAI e LangChain
MLOps e Deployment
Padroneggia Data Science & ML per il tuo prossimo colloquio
Accedi a tutte le domande, flashcards, test tecnici, esercizi di code review e simulatori di colloquio.
Inizia gratis