Podsumowanie

Uczenie maszynowe dla danych szeregów czasowych w Pythonie

Chris Holdgraf

Fellow, Berkeley Institute for Data Science

Szeregi czasowe i uczenie maszynowe

• Różnorodne zastosowania szeregów czasowych i uczenia maszynowego
• Zawsze najpierw wizualizuj dane
• API scikit-learn standaryzuje ten proces

Ekstrakcja cech i klasyfikacja

• Statystyki podsumowujące do klasyfikacji szeregów czasowych
• Łączenie wielu cech w jedną macierz wejściową
• Ekstrakcja cech z danych szeregów czasowych

Dopasowywanie modeli i poprawa jakości danych

• Cechy szeregów czasowych do regresji
• Generowanie prognoz w czasie
• Czyszczenie i poprawa jakości danych szeregów czasowych

Walidacja i ocena wydajności modelu

• Walidacja krzyżowa dla szeregów czasowych (nie tasować danych!)
• Stacjonarność szeregów czasowych
• Ocena stabilności współczynników i wyników modelu

Zaawansowane koncepcje szeregów czasowych

• Zaawansowane funkcje okienkowe
• Przetwarzanie sygnałów i filtrowanie
• Analiza widmowa

Zaawansowane uczenie maszynowe

• Zaawansowana ekstrakcja cech szeregów czasowych (np. tsfresh)
• Bardziej złożone architektury modeli do regresji i klasyfikacji
• Potokowe przetwarzanie szeregów czasowych gotowe do produkcji

Sposoby na praktykę

• Istnieje wiele możliwości ćwiczenia umiejętności z danymi szeregów czasowych.
• Kaggle oferuje szereg wyzwań z prognozowaniem szeregów czasowych.
• Quantopian jest przydatny do nauki i korzystania z modeli predykcyjnych.

Czas na praktykę!

Uczenie maszynowe dla danych szeregów czasowych w Pythonie