Encerramento

Machine Learning para dados de séries temporais em Python

Chris Holdgraf

Fellow, Berkeley Institute for Data Science

Séries temporais e machine learning

• As muitas aplicações de séries temporais + machine learning
• Sempre visualize seus dados primeiro
• A API do scikit-learn padroniza esse processo

Extração de atributos e classificação

• Estatísticas descritivas para classificação de séries temporais
• Combinar vários atributos em uma única matriz de entrada
• Extração de atributos para dados de séries temporais

Ajuste de modelo e melhoria da qualidade dos dados

• Atributos de séries temporais para regressão
• Gerar previsões ao longo do tempo
• Limpar e aprimorar dados de séries temporais

Validando e avaliando o desempenho do modelo

• Validação cruzada com séries temporais (não embaralhe os dados!)
• Estacionariedade em séries temporais
• Avaliar a estabilidade de coeficientes e pontuações do modelo

Conceitos avançados em séries temporais

• Funções de janela avançadas
• Processamento e filtragem de sinais
• Análise espectral

Machine learning avançado

• Extração avançada de atributos de séries temporais (por exemplo, tsfresh)
• Arquiteturas de modelos mais complexas para regressão e classificação
• Pipelines prontos para produção para análise de séries temporais

Formas de praticar

• Há muitas oportunidades para praticar suas habilidades com séries temporais.
• O Kaggle tem vários desafios de previsão com séries temporais
• O Quantopian também é útil para aprender e usar modelos preditivos criados por outras pessoas.

Vamos praticar!

Machine Learning para dados de séries temporais em Python