สรุปบทเรียน

Machine Learning สำหรับข้อมูล Time Series ใน Python

Chris Holdgraf

Fellow, Berkeley Institute for Data Science

Time series และ machine learning

• การประยุกต์ใช้ time series ร่วมกับ machine learning
• ควรแสดงภาพข้อมูลก่อนเสมอ
• scikit-learn API ช่วยให้กระบวนการนี้เป็นมาตรฐาน

การดึง feature และการจำแนกประเภท

• สถิติสรุปสำหรับการจำแนก time series
• รวมหลาย feature เข้าเป็น input matrix เดียว
• การดึง feature จากข้อมูล time series

การฝึกโมเดลและการปรับปรุงคุณภาพข้อมูล

• Feature ของ time series สำหรับการถดถอย
• การสร้างการพยากรณ์ตามเวลา
• การทำความสะอาดและปรับปรุงข้อมูล time series

การตรวจสอบและประเมินประสิทธิภาพโมเดล

• Cross-validation กับข้อมูล time series (อย่า shuffle ข้อมูล!)
• ความนิ่งของ time series
• การประเมินความเสถียรของค่าสัมประสิทธิ์และคะแนนโมเดล

แนวคิดขั้นสูงใน time series

• ฟังก์ชัน window ขั้นสูง
• รายละเอียดการประมวลผลสัญญาณและการกรอง
• การวิเคราะห์เชิงสเปกตรัม

Machine learning ขั้นสูง

• การดึง feature ขั้นสูงจาก time series (เช่น tsfresh)
• สถาปัตยกรรมโมเดลที่ซับซ้อนขึ้นสำหรับการถดถอยและการจำแนกประเภท
• Pipeline พร้อมใช้งานจริงสำหรับการวิเคราะห์ time series

แนวทางการฝึกฝน

• มีโอกาสมากมายในการฝึกทักษะกับข้อมูล time series
• Kaggle มีการแข่งขันพยากรณ์ time series หลายรายการ
• Quantopian เป็นแหล่งเรียนรู้และนำโมเดลพยากรณ์ของผู้อื่นไปใช้ได้

มาฝึกกันเถอะ!

Machine Learning สำหรับข้อมูล Time Series ใน Python