Récapitulatif
Machine Learning for Time Series Data in Python
Chris Holdgraf
Fellow, Berkeley Institute for Data Science
Séries temporelles et Machine Learning
- De multiples usages des séries temporelles + Machine Learning
- Visualisez toujours vos données d'abord
- L'API scikit-learn standardise ce processus
Extraction de caractéristiques et classification
- Statistiques descriptives pour la classification de séries temporelles
- Combiner plusieurs caractéristiques dans une matrice d'entrée unique
- Extraction de caractéristiques pour données temporelles
Ajustement du modèle et amélioration de la qualité des données
- Caractéristiques de séries temporelles pour la régression
- Générer des prédictions dans le temps
- Nettoyer et améliorer les données temporelles
Valider et évaluer les performances du modèle
- Validation croisée avec des séries temporelles (ne mélangez pas les données !)
- Stationnarité des séries temporelles
- Évaluer la stabilité des coefficients et des scores du modèle
Concepts avancés en séries temporelles
- Fonctions de fenêtre avancées
- Détails de traitement et filtrage du signal
- Analyse spectrale
Machine Learning avancé
- Extraction avancée de caractéristiques temporelles (p. ex.
tsfresh) - Architectures de modèles plus complexes pour la régression et la classification
- Pipelines prêts pour la production en analyse de séries temporelles
Façons de s'exercer
- De nombreuses occasions de vous entraîner avec des séries temporelles.
- Kaggle propose plusieurs défis de prédiction de séries temporelles
- Quantopian est aussi utile pour apprendre et utiliser des modèles prédictifs conçus par d'autres.
Passons à la pratique !
Machine Learning for Time Series Data in Python
