이 장에서는 Machine Learning, 시계열 데이터, 그리고 두 분야의 접점을 이루는 기본 개념을 소개합니다.

시계열의 종류와 활용

시계열 식별하기

시계열 플로팅 (I)

시계열 그리기 (II)

Machine learning 기초

간단한 모델 적합하기: 분류

분류 모델로 예측하기

간단한 모델 적합: 회귀

회귀 모델로 예측하기

Machine learning과 시계열 데이터

분류용 데이터 살펴보기

회귀 데이터 살펴보기

시계열과 Machine Learning 기초

시계열을 Machine Learning 파이프라인에 포함하는 가장 쉬운 방법은 모델의 특징으로 사용하는 것입니다. 이 장에서는 시계열에서 추출해 Machine Learning에 활용하는 대표적인 특징들을 다룹니다.

시계열 분류하기

소리를 여러 번 반복해서 듣기

시간에 대한 불변성

분류 모델 구축하기

분류를 위한 특성 개선

소리의 엔벌로프 계산하기

엔벌로프에서 특징 계산하기

도함수 특성: 템포그램

스펙트로그램

심장 박동 오디오의 스펙트로그램

스펙트럼 특성 엔지니어링

여러 특성을 결합해 분류기 만들기

모델 입력으로서의 시계열

시간에 따라 변하는 패턴을 예측하려면, 모델 선택과 구성에 특별한 주의가 필요해요. 이 장에서는 모델을 학습하기 전에 데이터에서 통찰을 얻는 방법과, 시계열 데이터에 예측 모델링을 적용할 때의 모범 사례를 살펴봅니다.

시간에 따른 데이터 예측

데이터셋 소개

단순 회귀 모델 적합하기

예측 값 시각화하기

고급 시계열 예측

지저분한 데이터 시각화하기

결측값 보간하기

원시 데이터 변환하기

이상치 처리

시간에 따른 특성 만들기

여러 개의 롤링 특징 한꺼번에 만들기

백분위수와 partial 함수

"date" 정보 활용하기

시계열 데이터 예측하기

시계열 데이터를 예측하는 모델을 만들었다면, 그 모델이 좋은지 나쁜지 평가해야 합니다. 이 장에서는 모델로 예측을 생성해 "테스트" 데이터와 비교·검증하는 기본 절차를 다룹니다.

과거 데이터로부터 특성 만들기

시차 특성 만들기

특별한 경우: 자기회귀(Auto-regressive) 모델

회귀 계수 시각화하기

더 부드러운 시계열로 자동회귀 적용하기

시계열 데이터 교차 검증

셔플을 이용한 교차 검증

셔플 없이 교차 검증하기

시간 기반 교차 검증

정상성 및 안정성

정상성

신뢰 구간의 부트스트래핑

모형 계수의 변동성 계산하기

시간에 따른 모델 점수 변동 시각화

비정상성 대응하기

마무리

시계열 모델 검증과 점검

Prices

Audio

시계열 데이터는 우리 주변 어디에나 있습니다. 주식 시장의 변동, 기후 변화를 기록하는 센서 데이터, 뇌 활동처럼 시간이 지남에 따라 바뀌는 모든 신호는 시계열로 설명할 수 있어요. Machine Learning은 데이터의 복잡성을 활용해 예측과 통찰을 이끌어 내는 강력한 방법으로 자리 잡았습니다. 이 강의는 Machine Learning과 시계열 데이터가 만나는 지점에 초점을 맞추며, 특징 공학, 스펙트로그램, 그 밖의 고급 기법을 통해 심장 박동음을 분류하고 주가를 예측하는 방법을 다룹니다.

Manipulating Time Series Data in Python

Visualizing Time Series Data in Python

Supervised Learning with scikit-learn

이 과정은 시계열 데이터의 특징 공학과 머신러닝에 중점을 둡니다.

Python으로 배우는 시계열 데이터 Machine Learning

이 과정은 시계열 데이터에 대한 특징 공학 및 기계 학습에 중점을 둡니다. 

과거 데이터로부터 특성 만들기

Create Your Free Account