Підсумки
Machine Learning для часових рядів у Python
Chris Holdgraf
Fellow, Berkeley Institute for Data Science
Часові ряди та машинне навчання
- Широкі застосування часових рядів і машинного навчання
- Спершу завжди візуалізуйте дані
- API scikit-learn уніфікує цей процес
Виділення ознак і класифікація
- Описова статистика для класифікації часових рядів
- Поєднання кількох ознак в одну вхідну матрицю
- Виділення ознак для даних часових рядів
Навчання моделі та підвищення якості даних
- Ознаки часових рядів для регресії
- Генерування прогнозів у часі
- Очищення й покращення даних часових рядів
Валідація та оцінювання якості моделі
- Перехресна перевірка з часовими рядами (не перетасовуйте дані!)
- Стаціонарність часових рядів
- Оцінка стабільності коефіцієнтів і метрик моделі
Просунуті поняття в часових рядах
- Просунуті віконні функції
- Обробка сигналів і деталі фільтрації
- Спектральний аналіз
Просунуте машинне навчання
- Просунуте виділення ознак часових рядів (напр.,
tsfresh) - Складніші архітектури моделей для регресії та класифікації
- Конвеєри, готові до продакшену, для аналізу часових рядів
Як практикуватися
- Є багато можливостей попрактикуватися з даними часових рядів.
- На Kaggle є чимало змагань із прогнозування часових рядів
- Quantopian теж корисний, щоб навчатися та використовувати побудовані іншими прогностичні моделі.
Давайте потренуємось!
Machine Learning для часових рядів у Python
