Ricapitolo
Machine Learning per dati di serie temporali in Python
Chris Holdgraf
Fellow, Berkeley Institute for Data Science
Serie temporali e Machine Learning
- Le tante applicazioni delle serie temporali + Machine Learning
- Visualizza sempre prima i dati
- L'API di scikit-learn standardizza questo processo
Estrazione di feature e classificazione
- Statistiche descrittive per la classificazione di serie temporali
- Combinare più feature in un'unica matrice di input
- Estrazione di feature per dati di serie temporali
Adattare il modello e migliorare la qualità dei dati
- Feature di serie temporali per la regressione
- Generare previsioni nel tempo
- Pulire e migliorare i dati di serie temporali
Convalidare e valutare le prestazioni del modello
- Cross-validation con serie temporali (non mescolare i dati!)
- Stazionarietà delle serie temporali
- Valutare stabilità di coefficienti e punteggi del modello
Concetti avanzati nelle serie temporali
- Funzioni finestra avanzate
- Dettagli di elaborazione del segnale e filtraggio
- Analisi spettrale
Machine Learning avanzato
- Estrazione avanzata di feature per serie temporali (ad es.,
tsfresh) - Architetture di modello più complesse per regressione e classificazione
- Pipeline pronte per la produzione per l'analisi di serie temporali
Modi per esercitarti
- Ci sono molte opportunità per esercitarti con dati di serie temporali.
- Kaggle ha diverse challenge di previsione su serie temporali
- Quantopian è utile per imparare e usare modelli predittivi creati da altri.
Esercitiamoci!
Machine Learning per dati di serie temporali in Python
