Sammanfattning

Maskininlärning för tidsseriedata i Python

Chris Holdgraf

Fellow, Berkeley Institute for Data Science

Tidsserier och maskininlärning

• Tidsseriers många tillämpningar inom maskininlärning
• Visualisera alltid dina data först
• scikit-learn API:et standardiserar processen

Särdragsextraktion och klassificering

• Sammanfattande statistik för tidsserieklassificering
• Kombinera flera särdrag till en gemensam indatamatris
• Särdragsextraktion för tidsseriedata

Modellanpassning och förbättring av datakvalitet

• Tidsseriesärdrag för regression
• Generera prediktioner över tid
• Rensa och förbättra tidsseriedata

Validera och utvärdera modellprestanda

• Korsvalidering med tidsseriedata (blanda inte datan!)
• Stationaritet i tidsserier
• Utvärdera koefficient- och poängstabilitet

Avancerade koncept inom tidsserier

• Avancerade fönsterfunktioner
• Signalbehandling och filtrering
• Spektralanalys

Avancerad maskininlärning

• Avancerad särdragsextraktion för tidsserier (t.ex. tsfresh)
• Mer komplexa modellarkitekturer för regression och klassificering
• Produktionsklara pipelines för tidsserieanalys

Sätt att öva

• Det finns många möjligheter att öva på tidsseriedata.
• Kaggle erbjuder flera tidsserietävlingar
• Quantopian är också användbart för att lära sig och använda prediktiva modeller.

Nu kör vi en övning!

Maskininlärning för tidsseriedata i Python