Afronden
Machine Learning voor tijdreeksgegevens in Python
Chris Holdgraf
Fellow, Berkeley Institute for Data Science
Tijdreeksen en Machine Learning
- De vele toepassingen van tijdreeksen + Machine Learning
- Visualiseer je data altijd eerst
- De scikit-learn API standaardiseert dit proces
Feature-extractie en classificatie
- Samenvattingsstatistieken voor tijdreeksclassificatie
- Meerdere features combineren tot één invoermatrix
- Feature-extractie voor tijdreeksdata
Model fitten en datakwaliteit verbeteren
- Tijdreeksfeatures voor regressie
- Voorspellingen over de tijd genereren
- Tijdreeksdata opschonen en verbeteren
Validatie en beoordeling van modelprestatie
- Cross-validatie met tijdreeksdata (shuffle de data niet!)
- Stationariteit van tijdreeksen
- Stabiliteit van modelcoëfficiënten en scores beoordelen
Geavanceerde concepten in tijdreeksen
- Geavanceerde vensterfuncties
- Signaalverwerking en filterdetails
- Spectrale analyse
Geavanceerde Machine Learning
- Geavanceerde feature-extractie voor tijdreeksen (bijv.
tsfresh) - Complexere modelarchitecturen voor regressie en classificatie
- Productierijpe pijplijnen voor tijdreeksanalyse
Manieren om te oefenen
- Er zijn veel manieren om te oefenen met tijdreeksdata.
- Kaggle heeft meerdere challenges voor tijdreeksvoorspellingen
- Quantopian is ook handig om te leren en modellen van anderen te gebruiken.
Laten we oefenen!
Machine Learning voor tijdreeksgegevens in Python
