Shrnutí

Machine Learning pro data časových řad v Pythonu

Chris Holdgraf

Fellow, Berkeley Institute for Data Science

Časové řady a strojové učení

• Mnohostranné využití časových řad a strojového učení
• Vždy nejprve vizualizujte data
• API scikit-learn tento proces standardizuje

Extrakce příznaků a klasifikace

• Souhrnné statistiky pro klasifikaci časových řad
• Kombinování více příznaků do jedné vstupní matice
• Extrakce příznaků z časových řad

Trénování modelů a zlepšování kvality dat

• Příznaky časových řad pro regresi
• Generování predikcí v čase
• Čištění a zlepšování dat časových řad

Validace a hodnocení výkonu modelu

• Křížová validace s časovými řadami (data nepromíchávejte!)
• Stacionarita časových řad
• Hodnocení stability koeficientů a skóre modelu

Pokročilé koncepty časových řad

• Pokročilé okenní funkce
• Zpracování signálů a filtrování
• Spektrální analýza

Pokročilé strojové učení

• Pokročilá extrakce příznaků z časových řad (např. tsfresh)
• Složitější architektury modelů pro regresi a klasifikaci
• Produkčně připravené pipeline pro analýzu časových řad

Způsoby procvičování

• Existuje mnoho příležitostí, jak procvičovat dovednosti s časovými řadami.
• Kaggle nabízí řadu soutěží s predikcí časových řad.
• Quantopian je užitečný pro učení a využívání prediktivních modelů.

Pojďme si procvičit!

Machine Learning pro data časových řad v Pythonu