Dit hoofdstuk is een introductie tot de basis van Machine Learning, tijdreeksgegevens en de kruising tussen beide.

Soorten tijdreeksen en toepassingen

Een tijdreeks herkennen

Een tijdreeks plotten (I)

Een tijdreeks plotten (II)

Basis van Machine Learning

Een eenvoudig model fitten: classificatie

Voorspellen met een classificatiemodel

Een eenvoudig model fitten: regressie

Voorspellen met een regressiemodel

Machine learning en tijdreeksgegevens

De classificatiegegevens verkennen

De regressiedata verkennen

Introductie tot tijdreeksen en Machine Learning

De gemakkelijkste manier om tijdreeksen in je Machine Learning-pijplijn op te nemen, is ze te gebruiken als features in een model. Dit hoofdstuk behandelt veelvoorkomende features die uit tijdreeksen worden gehaald om Machine Learning toe te passen.

Een tijdreeks classificeren

Veel herhalingen van geluiden

Invariantie in de tijd

Bouw een classificatiemodel

Features verbeteren voor classificatie

De envelop van geluid berekenen

Kenmerken berekenen uit de envelope

Afgeleide features: de tempogram

Het spectrogram

Spectrogrammen van hartslag-audio

Spectrale features engineeren

Meerdere features combineren in een classifier

Tijdreeksen als input voor een model

Als je patronen in gegevens door de tijd heen wilt voorspellen, zijn er speciale aandachtspunten bij de keuze en opbouw van je model. Dit hoofdstuk behandelt hoe je eerst inzicht in de gegevens krijgt voordat je je model fit, en best practices voor het gebruik van voorspellende modellen met tijdreeksgegevens.

Data over tijd voorspellen

De gegevensset verkennen

Een eenvoudig regressiemodel fitten

Voorspelde waarden visualiseren

Geavanceerde tijdreeksvoorspelling

Rommelige data visualiseren

Missende waarden imputeren

Ruwe data transformeren

Uitschieters verwerken

Features maken over tijd

In één keer meerdere rollende kenmerken maken

Percentielen en partiële functies

Datum-informatie gebruiken

Tijdreeksgegevens voorspellen

Zodra je een model hebt om tijdreeksgegevens te voorspellen, moet je bepalen of het een goed of slecht model is. Dit hoofdstuk behandelt de basis van het genereren van voorspellingen met modellen om ze te valideren aan de hand van "test"-gegevens.

Features maken uit het verleden

Tijdverschoven features maken

Speciaal geval: autoregressieve modellen

Visualiseer regressiecoëfficiënten

Autoregressie met een gladdere tijdreeks

Time series-gegevens cross-validaten

Cross-validatie met schufflen

Cross-validatie zonder shufflen

Tijdgebaseerde cross-validatie

Stationariteit en stabiliteit

Stationariteit

Een betrouwbaarheidsinterval bootstrappen

Variabiliteit in modelcoëfficiënten berekenen

De variabiliteit van modelscore in de tijd visualiseren

Rekening houden met non-stationariteit

Afronding

Tijdreeksmodellen valideren en onderzoeken

Prices

Audio

Tijdreeksgegevens zijn overal. Of het nu gaat om schommelingen op de aandelenmarkt, sensorgegevens over klimaatverandering of activiteit in de hersenen: elk signaal dat in de tijd verandert, kun je beschrijven als een tijdreeks. Machine Learning is uitgegroeid tot een krachtige methode om de complexiteit in gegevens te benutten voor het doen van voorspellingen en het verkrijgen van inzichten in het probleem dat je wilt oplossen. Deze cursus vormt de kruising tussen Machine Learning en tijdreeksgegevens, en behandelt feature engineering, spectrogrammen en andere geavanceerde technieken om hartslaggeluiden te classificeren en aandelenkoersen te voorspellen.

Manipulating Time Series Data in Python

Visualizing Time Series Data in Python

Supervised Learning with scikit-learn

Deze cursus richt zich op feature engineering en machine learning voor tijdreeksgegevens.

Machine Learning voor tijdreeksgegevens in Python

Deze cursus gaat over feature engineering en machine learning voor tijdreeksgegevens. 

Wetenschapper op het gebied van machine learning in Python

Tijdreeks in Python

Fellow, Berkeley Institute for Data Science

Features over tijd maken

Features extraheren met vensters

Features extraheren met .aggregate

Controleer de eigenschappen van je features!

partial() gebruiken in Python

Percentielen vatten je data samen

np.percentile() combineren met partial-functies om een reeks percentielen te berekenen

"Datumgebaseerde" features berekenen

datetime-features met Pandas

Laten we oefenen!

Tijdreeksgegevens voorspellen - Features maken over tijd

Features maken over tijd

Create Your Free Account