Bab ini memperkenalkan dasar-dasar machine learning, data deret waktu, dan keterkaitan keduanya.

Jenis dan aplikasi deret waktu

Mengidentifikasi deret waktu

Memplot time series (I)

Memplot deret waktu (II)

Dasar-dasar Machine Learning

Mencocokkan model sederhana: klasifikasi

Memprediksi menggunakan model klasifikasi

Mencocokkan model sederhana: regresi

Memprediksi menggunakan model regresi

Machine learning dan data deret waktu

Meninjau data klasifikasi

Meninjau data regresi

Pengantar Deret Waktu dan Machine Learning

Cara termudah memasukkan deret waktu ke dalam pipeline machine learning Anda adalah menggunakannya sebagai fitur dalam model. Bab ini membahas fitur umum yang diekstraksi dari deret waktu untuk melakukan machine learning.

Klasifikasi deret waktu

Banyak pengulangan bunyi

Ketakberubahan terhadap waktu

Bangun model klasifikasi

Meningkatkan fitur untuk klasifikasi

Menghitung amplop suara

Menghitung fitur dari amplop

Fitur turunan: Tempogram

Spektrogram

Spektrogram audio detak jantung

Rekayasa fitur spektral

Mengombinasikan banyak fitur dalam sebuah pengklasifikasi

Deret Waktu sebagai Masukan ke Model

Jika Anda ingin memprediksi pola dari data seiring waktu, ada pertimbangan khusus dalam memilih dan membangun model. Bab ini membahas cara memperoleh wawasan dari data sebelum melatih model, serta praktik terbaik penggunaan pemodelan prediktif untuk data deret waktu.

Memprediksi data dari waktu ke waktu

Pengenalan himpunan data

Melatih model regresi sederhana

Memvisualisasikan nilai yang diprediksi

Prediksi deret waktu lanjutan

Memvisualisasikan data yang berantakan

Mengimputasi nilai yang hilang

Mentransformasi data mentah

Menangani outlier

Membuat fitur dari waktu ke waktu

Merekayasa beberapa fitur rolling sekaligus

Persentil dan fungsi partial

Menggunakan informasi "tanggal"

Memprediksi Data Deret Waktu

Setelah Anda memiliki model untuk memprediksi data deret waktu, Anda perlu menilai apakah model tersebut baik atau buruk. Bab ini membahas dasar-dasar menghasilkan prediksi dengan model untuk memvalidasinya terhadap data "uji".

Membuat fitur dari masa lalu

Membuat fitur pergeseran waktu

Kasus khusus: Model auto-regressive

Visualisasikan koefisien regresi

Auto-regresi dengan deret waktu yang lebih mulus

Melakukan cross-validation pada data deret waktu

Cross-validation dengan pengacakan

Cross-validation tanpa pengacakan

Cross-validation berbasis waktu

Kestasioneran dan stabilitas

Kestasioneran

Bootstrap untuk interval kepercayaan

Menghitung variabilitas pada koefisien model

Memvisualisasikan variabilitas skor model dari waktu ke waktu

Mengantisipasi non-stasioner

Rangkuman

Memvalidasi dan Memeriksa Model Deret Waktu

Prices

Audio

Data deret waktu ada di mana-mana. Baik itu fluktuasi pasar saham, data sensor yang merekam perubahan iklim, atau aktivitas di otak, setiap sinyal yang berubah seiring waktu dapat digambarkan sebagai deret waktu. Machine learning muncul sebagai metode yang kuat untuk memanfaatkan kompleksitas data guna menghasilkan prediksi dan wawasan atas masalah yang ingin diselesaikan. Kursus ini berada di persimpangan antara dunia machine learning dan data deret waktu, serta membahas rekayasa fitur, spektrogram, dan teknik lanjutan lainnya untuk mengklasifikasikan bunyi detak jantung dan memprediksi harga saham.

Manipulating Time Series Data in Python

Visualizing Time Series Data in Python

Supervised Learning with scikit-learn

Kursus ini berfokus pada rekayasa fitur dan pembelajaran mesin untuk data deret waktu.

Machine Learning untuk Data Deret Waktu di Python

Kursus ini berfokus pada feature engineering dan machine learning untuk data time series. 

Ilmuwan Pembelajaran Mesin dalam Python

Deret Waktu dalam Python

Kestasioneran

Machine Learning untuk Data Deret Waktu di Python

Latihan interaktif langsung