課程總結

Python 的時間序列資料機器學習

Chris Holdgraf

Fellow, Berkeley Institute for Data Science

時間序列與機器學習

• 時間序列與機器學習的多種應用
• 先視覺化你的資料
• scikit-learn 的 API 標準化了流程

特徵萃取與分類

• 用於時間序列分類的摘要統計
• 將多個特徵合併為單一輸入矩陣
• 時間序列的特徵萃取

模型擬合與資料品質提升

• 用於迴歸的時間序列特徵
• 隨時間產生預測
• 清理並改善時間序列資料

驗證並評估模型表現

• 時間序列的交叉驗證（不要洗牌資料！）
• 時間序列的定態性
• 評估模型係數與分數的穩定性

時間序列進階觀念

• 進階視窗函式
• 訊號處理與濾波細節
• 頻譜分析

進階機器學習

• 進階的時間序列特徵萃取（例如 tsfresh）
• 更複雜的迴歸與分類模型架構
• 可上線的時間序列分析 pipeline

練習方式

• 有很多機會可用時間序列資料練習你的技能。
• Kaggle 有多個時間序列預測挑戰
• Quantopian 也有助於學習並使用他人建立的預測模型。

一起來練習吧！

Python 的時間序列資料機器學習