Tổng kết

Machine Learning cho Dữ liệu Chuỗi thời gian bằng Python

Chris Holdgraf

Fellow, Berkeley Institute for Data Science

Chuỗi thời gian và Machine Learning

• Nhiều ứng dụng của chuỗi thời gian + Machine Learning
• Luôn trực quan hóa dữ liệu trước
• API của scikit-learn chuẩn hóa quy trình này

Trích xuất đặc trưng và phân loại

• Thống kê tóm tắt cho phân loại chuỗi thời gian
• Kết hợp nhiều đặc trưng vào một ma trận đầu vào
• Trích xuất đặc trưng cho dữ liệu chuỗi thời gian

Khớp mô hình và nâng cao chất lượng dữ liệu

• Đặc trưng chuỗi thời gian cho hồi quy
• Tạo dự đoán theo thời gian
• Làm sạch và cải thiện dữ liệu chuỗi thời gian

Xác thực và đánh giá hiệu năng mô hình

• Cross-validation với dữ liệu chuỗi thời gian (đừng xáo trộn dữ liệu!)
• Tính dừng của chuỗi thời gian
• Đánh giá độ ổn định hệ số và điểm số của mô hình

Khái niệm nâng cao trong chuỗi thời gian

• Hàm cửa sổ nâng cao
• Xử lý và lọc tín hiệu chi tiết
• Phân tích phổ

Machine Learning nâng cao

• Trích xuất đặc trưng chuỗi thời gian nâng cao (ví dụ: tsfresh)
• Kiến trúc mô hình phức tạp hơn cho hồi quy và phân loại
• Pipeline sẵn sàng triển khai cho phân tích chuỗi thời gian

Cách để luyện tập

• Có rất nhiều cơ hội để bạn luyện kỹ năng với dữ liệu chuỗi thời gian.
• Kaggle có nhiều thử thách dự đoán chuỗi thời gian
• Quantopian cũng hữu ích để học và dùng các mô hình dự đoán do người khác xây dựng.

Cùng luyện tập nào!

Machine Learning cho Dữ liệu Chuỗi thời gian bằng Python