资源介绍
程）
在当今数据驱动的时代，时间序列分析作为挖掘数据时序规律的关键技术，已广泛应用于金融预测、气象分析、物联网监控等众多领域。而 Rust 凭借其内存安全、高性能和并发优势，成为构建可靠开源库的理想选择。本课程《从零开始用 Rust 构建开源时间序列库》将带领你踏上一段从理论到实践的精彩旅程，手把手教你打造属于自己的时间序列分析开源工具。
课程开篇的 “Introduction” 章节，是你进入这一领域的向导。其中，“1 - Introduction.html” 会为你勾勒出整个课程的轮廓，介绍时间序列分析的重要性以及用 Rust 构建相关库的独特价值，让你对后续学习内容有一个整体的把握。“1 - Open Source Development Requirements (Must Read).html” 则是开源开发的必备指南，详细阐述了在开源社区中进行开发所需遵循的规范、协作方式以及版权等重要问题，为你后续参与开源项目打下坚实的基础。而 “1 - Getting Started with Codebase.mp4” 搭配 “1 - Getting Started with Codebase.srt-zh-CN-translation.srt” 的中文字幕，将直观地带你熟悉代码库的结构和入门操作，让你快速上手，迈出构建库的第一步。
“Autocorrelation” 章节聚焦自相关这一时间序列分析的基础概念。“1 - Math and Code Implementation Autocorrelation Module.mp4” 及其对应的中文字幕文件，会深入讲解自相关的数学原理，包括自相关函数的定义、计算方法以及其在时间序列中的意义。随后，将理论转化为实践，演示如何用 Rust 代码实现自相关模块，让你不仅理解理论，更能掌握将其落地的技能。
时间序列的平稳性是许多分析方法的前提，“Stationarity” 章节就专门探讨这一关键特性。“1 - Math and Code Implementation Stationarity Module.mp4” 和相应的中文字幕，会详细介绍平稳性的数学定义、判断方法，如单位根检验等。同时，通过代码实现平稳性检验模块，让你能够在实际应用中准确判断时间序列是否平稳，为后续的建模分析提供可靠依据。
“Linear Regression - Trend Detection” 章节将带你学习如何利用线性回归进行趋势检测。“1 - Math behind Linear Regression for Identifying Trend Patterns.mp4” 深入剖析线性回归用于识别趋势模式的数学原理，包括回归方程的构建、参数估计以及显著性检验等。“2 - Conversion of Linear Regression Math to Code.mp4” 则聚焦于如何将这些数学原理转化为 Rust 代码，实现趋势检测功能，让你能够从时间序列中准确捕捉到潜在的趋势。
季节因素是时间序列中常见的波动成分，“Seasonality - Differencing Method” 章节将介绍使用差分技术检测季节性。“1 - Seasonality Detection using Differencing Technique.mp4” 会详细讲解差分方法的原理，如何通过适当的差分操作消除季节性影响，以及如何判断时间序列中是否存在季节性成分，帮助你更好地理解时间序列的周期性波动。
“White Noise” 章节探讨白噪声这一特殊的时间序列。“1 - Mathematical Intuition and Code Implementation.mp4” 将阐释白噪声的数学内涵，包括其均值为零、方差恒定且序列不相关等特性。同时，通过代码实现对白噪声的识别和检验模块，让你能够判断一个时间序列是否为白噪声，这对于评估模型效果等场景具有重要意义。
“Autoregressive Model” 章节带你进入自回归模型的世界。“1 - Math behind Autoregressive model.mp4” 深入讲解自回归模型的数学基础，包括模型的定义、阶数的确定以及参数估计等内容。“2 - Building the Autoregressive Model from Scratch.mp4” 则指导你从零开始用 Rust 构建自回归模型，让你亲身体验将理论模型转化为可实际运行的代码的过程。
“Moving Average” 章节全面介绍移动平均相关知识。“1 - Math behind Moving Average.mp4” 讲解简单移动平均的数学原理，包括其计算方式和在平滑数据、消除噪声方面的作用。“2 - Code Moving Average Module.mp4” 则教你用 Rust 实现移动平均模块。“3 - Math behind Weighted Moving Average.mp4” 深入剖析加权移动平均的数学原理，解释为何要对不同时期的数据赋予不同权重以及权重的确定方法。“4 - Code Weighted Moving Average Module.mp4” 则指导你实现加权移动平均模块，让你掌握更灵活的数据分析工具。
“ARMA Model - Autoregressive Moving Average” 章节将自回归模型和移动平均模型结合起来。“1 - Math behind ARMA Model.mp4” 阐述 ARMA 模型的数学原理，包括模型的构成、参数估计以及模型选择等关键内容。“2 - Build ARMA Model from Scratch.mp4” 则带领你从零开始构建 ARMA 模型，进一步提升你的建模能力。
“ARIMA Model - Autoregressive Integrated Moving Average” 章节介绍差分自回归移动平均模型。“1 - Math behind Autoregressive Integrated Moving Average.mp4” 深入讲解 ARIMA 模型的数学原理，包括差分操作的意义、模型参数的确定等。“2 - Build ARIMA Model From Scratch.mp4” 则指导你用 Rust 构建 ARIMA 模型，让你能够处理非平稳时间序列。
“SARIMA Model - Seasonal Autoregressive Integrated Moving Average” 章节聚焦季节性差分自回归移动平均模型。“1 - Math behind SARIMA model.mp4” 详细阐述 SARIMA 模型的数学原理，如何处理具有季节性的时间序列数据。“2 - Build SARIMA Model From Scratch.mp4” 则教你构建 SARIMA 模型，使其能够更好地捕捉时间序列中的季节性波动。
“Exponential Smoothing” 章节介绍指数平滑法这一常用的时间序列预测方法。“1 - Math Behind Single Exponential Smoothing.mp4” 讲解单指数平滑的数学原理，适用于没有趋势和季节性的时间序列。“2 - Build Single Exponential Smoothing Model From Scratch.mp4” 指导你实现单指数平滑模型。“3 - Math Behind Holt's Linear Trend Model.mp4” 深入剖析霍尔特线性趋势模型的数学原理，用于处理具有趋势的时间序列。“4 - Build Holt's Linear Trend Model From Scratch.mp4” 则教你构建该模型，提升对有趋势数据的预测能力。
最后，“Publish as a Library to Crate Registry” 章节将带你完成开源库的发布工作。“1 - Publish to Github repo and Export the Cargo Project.mp4” 讲解如何将你的代码发布到 Github 仓库并导出 Cargo 项目，让更多人能够访问和使用你的库。“2 - Cargo Package Testing.mp4” 则介绍 Cargo 包的测试方法，确保你发布的库具有良好的稳定性和可靠性。
通过本课程的学习，你将系统掌握时间序列分析的各类核心模型和方法，同时熟练运用 Rust 语言将这些理论转化为实用的开源库。无论你是数据分析爱好者、开发工程师还是研究人员，都能在这门课程中获得宝贵的知识和技能，为你的职业发展或学术研究增添强大的助力。现在，就让我们一起开启这段构建开源时间序列库的精彩旅程吧！