En résumé
Machine Learning pour les données chronologiques en Python
Chris Holdgraf
Fellow, Berkeley Institute for Data Science
Séries chronologiques et Machine Learning
- Les nombreuses applications des séries chronologiques + Machine Learning
- Visualisez toujours vos données d'abord
- L'API scikit-learn normalise ce processus
Extraction de caractéristiques et classification
- Statistiques sommaires pour la classification de séries chronologiques
- Combiner plusieurs caractéristiques dans une matrice d'entrée unique
- Extraction de caractéristiques pour les séries chronologiques
Ajustement du modèle et amélioration des données
- Caractéristiques de séries chronologiques pour la régression
- Générer des prédictions dans le temps
- Nettoyer et améliorer les séries chronologiques
Valider et évaluer la performance du modèle
- Validation croisée avec des séries chronologiques (ne pas mélanger les données !)
- Stationnarité des séries chronologiques
- Évaluer la stabilité des coefficients et des scores du modèle
Concepts avancés en séries chronologiques
- Fonctions de fenêtre avancées
- Détails du traitement et du filtrage du signal
- Analyse spectrale
Machine Learning avancé
- Extraction avancée de caractéristiques de séries chronologiques (p. ex.,
tsfresh) - Architectures de modèles plus complexes pour la régression et la classification
- Conduites prêtes pour la production en analyse de séries chronologiques
Façons de pratiquer
- De nombreuses occasions de pratiquer avec des données de séries chronologiques.
- Kaggle propose plusieurs défis de prédiction sur séries chronologiques
- Quantopian est aussi utile pour apprendre et utiliser des modèles prédictifs créés par d'autres.
Passons à la pratique !
Machine Learning pour les données chronologiques en Python
