Klasyfikowanie danych szeregów czasowych

W poprzednim filmie zdefiniowaliśmy szereg czasowy jako zbiór punktów danych uporządkowanych w czasie. Jak się przekonaliśmy, szeregi czasowe są bardzo przydatne zarówno do analizowania przeszłości, jak i przewidywania przyszłości.

Poniżej znajdziesz różne przykłady danych. Wskaż, które z nich można zakwalifikować jako szeregi czasowe, a które nie.

To ćwiczenie jest częścią kursu

Zrozumieć data science

Zobacz kurs

Interaktywne ćwiczenie praktyczne

Przekształć teorię w praktykę dzięki jednemu z naszych interaktywnych ćwiczeń

Rozpocznij ćwiczenie

To ćwiczenie jest częścią kursu

Zrozumieć data science

SkillTag.level.beginnerSkillTag.label

4.8+

7358 reviews

Rozpocznij kurs za darmo

Kurs zaczniemy od zdefiniowania pojęcia data science. Omówimy przepływ pracy w data science i sposób, w jaki stosuje się tę dziedzinę do rozwiązywania rzeczywistych problemów. Na koniec rozdziału poznasz różne role w obszarze data science.

Exercise 1: Czym jest data science?Exercise 2: Nauka o danych jest wszędzie!Exercise 3: Znaczenie data science Exercise 4: Zastosowania data science Exercise 5: Codzienna dawka data science Exercise 6: Nauka kryjąca się za inteligentnymi asystentami Exercise 7: Role i narzędzia w data science Exercise 8: Wybór odpowiedniego kandydata Exercise 9: Rola data scientista

Skoro rozumiemy już przepływ pracy w data science, czas przyjrzeć się bliżej pierwszemu jego etapowi – zbieraniu i przechowywaniu danych. Poznasz różne źródła danych, dowiesz się, jak wyglądają te dane, jak je przechowywać po zebraniu oraz w jaki sposób potok danych może zautomatyzować cały ten proces.

Exercise 1: Źródła danych Exercise 2: Sortowanie źródeł danych Exercise 3: Częstość występowania astmy Exercise 4: Typy danych Exercise 5: Klasyfikowanie typów danych Exercise 6: Net Promoter Score Exercise 7: Monitor aktywności Exercise 8: Przechowywanie i pobieranie danych Exercise 9: Platformy chmurowe Exercise 10: Zapytania do bazy danych Exercise 11: Który typ bazy danych?Exercise 12: Potoki danych Exercise 13: Cechy potoków danych Exercise 14: Extract Transform Load

Przygotowanie danych to fundament pracy analitycznej – data scientyści poświęcają aż 80% czasu na czyszczenie i przekształcanie danych, a jedynie 20% na ich faktyczną analizę. W tym rozdziale nauczysz się, jak diagnozować problemy w danych oraz jak radzić sobie z brakującymi wartościami i wartościami odstającymi. Następnie poznasz wizualizację – kolejne niezbędne narzędzie, które pomaga zarówno eksplorować dane, jak i prezentować wyniki.

Exercise 1: Przygotowanie danych Exercise 2: Prawda jest gdzieś tam Exercise 3: Czy jesteś przygotowany?Exercise 4: Eksploracyjna analiza danych Exercise 5: Numeryczna eksploracja danych Exercise 6: Wizualna EDA Exercise 7: Wizualizacja Exercise 8: Interaktywne dashboardy Exercise 9: Ulepszanie dashboardu

W ostatnim rozdziale zajmiemy się eksperymentowaniem i prognozowaniem. Zaczniemy od testów A/B, przejdziemy do prognozowania szeregów czasowych i nauki przewidywania przyszłych zdarzeń, a zakończymy na uczeniu maszynowym – przyjrzymy się uczeniu nadzorowanemu i klastrowaniu.

Exercise 1: Testy A/B Exercise 2: Tworzenie schematu testu A/B Exercise 3: Istotność statystyczna Exercise 4: Wyniki pośrednie Exercise 5: Prognozowanie szeregów czasowych Exercise 6: Klasyfikowanie danych szeregów czasowych

Bieżące ćwiczenie

Exercise 7: Interpretacja wykresu szeregu czasowego Exercise 8: Nadzorowane uczenie maszynowe Exercise 9: Kiedy stosować nadzorowane uczenie maszynowe Exercise 10: Cechy i etykiety Exercise 11: Ocena modelu Exercise 12: Grupowanie Exercise 13: Uczenie nadzorowane a nienadzorowane Exercise 14: Dobór liczby klastrów Exercise 15: Gratulacje!