Det här kapitlet är en introduktion till grunderna i maskininlärning, tidsseriedata och skärningspunkten mellan de två.

Tidsseriernas typer och tillämpningar

Identifiera en tidsserie

Plotta en tidsserie (I)

Plotta en tidsserie (II)

Grunderna i maskininlärning

Träna en enkel modell: klassificering

Förutsägelser med en klassificeringsmodell

Anpassa en enkel modell: regression

Göra förutsägelser med en regressionsmodell

Maskininlärning och tidsseriedata

Utforska klassificeringsdata

Utforska regressionsdata

Introduktion till tidsserier och maskininlärning

Det enklaste sättet att integrera tidsserier i din maskininlärningspipeline är att använda dem som särdrag i en modell. Det här kapitlet går igenom vanliga särdrag som extraheras från tidsserier för att användas i maskininlärning.

Klassificering av en tidsserie

Många upprepningar av ljud

Tidsinvarians

Bygg en klassificeringsmodell

Förbättra särdrag för klassificering

Beräkna ett ljuds envelope

Beräkna särdrag från enveloppen

Deriverade särdrag: Tempogrammet

Spektrogrammet

Spektrogram för hjärtljudsaudio

Beräkna spektrala särdrag

Kombinera många särdrag i en klassificerare

Tidsserier som indata till en modell

Om du vill förutsäga mönster i data över tid finns det särskilda överväganden att ta hänsyn till när du väljer och konstruerar din modell. Det här kapitlet går igenom hur du får insikter i datan innan du anpassar din modell, samt bästa praxis för prediktiv modellering av tidsseriedata.

Förutsäga data över tid

Introduktion till datamängden

Anpassa en enkel regressionsmodell

Visualisera predikterade värden

Avancerad tidsserieprediktering

Visualisera rörig data

Imputera saknade värden

Transformera rådata

Hantera outliers

Skapa särdrag över tid

Beräkna flera rullande särdrag på en gång

Percentiler och partial-funktioner

Använda datuminformation

Förutsäga tidsseriedata

När du har en modell för att förutsäga tidsseriedata behöver du avgöra om det är en bra eller dålig modell. Det här kapitlet täcker grunderna för att generera förutsägelser med modeller och validera dem mot testdata.

Skapa särdrag från historiska data

Skapa tidsförskjutna särdrag

Specialfall: Autoregressiva modeller

Visualisera regressionskoefficienter

Autoregresssion med en jämnare tidsserie

Korsvalidering av tidsseriedata

Korsvalidering med slumpmässig uppdelning

Korsvalidering utan blandning

Tidsbaserad korsvalidering

Stationaritet och stabilitet

Stationaritet

Bootstrapping av ett konfidensintervall

Beräkna variabilitet i modellkoefficienter

Visualisera variationen i modellens poäng över tid

Hantera icke-stationäritet

Avslutning

Validera och granska tidsseriemodeller

Prices

Audio

Tidsseriedata finns överallt. Oavsett om det handlar om aktiekursfluktuationer, sensordata som registrerar klimatförändringar eller hjärnaktivitet – varje signal som förändras över tid kan beskrivas som en tidsserie. Maskininlärning har vuxit fram som en kraftfull metod för att utnyttja komplexiteten i data för att generera förutsägelser och insikter om det problem man försöker lösa. Den här kursen är en korsning mellan maskininlärning och tidsseriedata, och behandlar feature engineering, spektrogram och andra avancerade tekniker för att klassificera hjärtljud och förutsäga aktiekurser.

Manipulating Time Series Data in Python

Visualizing Time Series Data in Python

Supervised Learning with scikit-learn

Kursen fokuserar på feature engineering och maskininlärning för tidsseriedata.

Maskininlärning för tidsseriedata i Python

Lär dig feature engineering och machine learning för tidsseriedata. 

Maskininlärningsforskare i Python

Tidsserier i Python

Stationaritet

Maskininlärning för tidsseriedata i Python

Interaktiv övning med praktiskt arbete