This chapter is an introduction to the basics of machine learning, time series data, and the intersection between the two.

Zaman serisi türleri ve uygulamaları

Bir zaman serisini belirleme

Zaman serisi çizimi (I)

Zaman serisi çizimi (II)

Machine learning temelleri

Basit bir model uydurma: sınıflandırma

Sınıflandırma modeliyle tahmin yapma

Basit bir model uydurma: regresyon

Bir regresyon modeliyle tahmin yapma

Machine learning ve zaman serisi verileri

Sınıflandırma verisini inceleme

Regresyon verisini inceleme

Time Series and Machine Learning Primer

The easiest way to incorporate time series into your machine learning pipeline is to use them as features in a model. This chapter covers common features that are extracted from time series in order to do machine learning.

Classifying a time series

Many repetitions of sounds

Invariance in time

Build a classification model

Improving features for classification

Calculating the envelope of sound

Calculating features from the envelope

Derivative features: The tempogram

The spectrogram

Spectrograms of heartbeat audio

Engineering spectral features

Combining many features in a classifier

Time Series as Inputs to a Model

If you want to predict patterns from data over time, there are special considerations to take in how you choose and construct your model. This chapter covers how to gain insights into the data before fitting your model, as well as best-practices in using predictive modeling for time series data.

Predicting data over time

Introducing the dataset

Fitting a simple regression model

Visualizing predicted values

Advanced time series prediction

Visualizing messy data

Imputing missing values

Transforming raw data

Handling outliers

Creating features over time

Engineering multiple rolling features at once

Percentiles and partial functions

Using "date" information

Predicting Time Series Data

Once you've got a model for predicting time series data, you need to decide if it's a good or a bad model. This chapter coves the basics of generating predictions with models in order to validate them against "test" data.

Creating features from the past

Creating time-shifted features

Special case: Auto-regressive models

Visualize regression coefficients

Auto-regression with a smoother time series

Cross-validating time series data

Cross-validation with shuffling

Cross-validation without shuffling

Time-based cross-validation

Stationarity and stability

Stationarity

Bootstrapping a confidence interval

Calculating variability in model coefficients

Visualizing model score variability over time

Accounting for non-stationarity

Wrap-up

Validating and Inspecting Time Series Models

Prices

Audio

Zaman serisi verileri her yerde. İster borsa dalgalanmaları, ister iklim değişikliğini kaydeden sensör verileri, ister beyindeki aktivite olsun, zamanla değişen her sinyal bir zaman serisi olarak tanımlanabilir. Machine learning, verideki karmaşıklıktan yararlanarak tahminler ve çözmeye çalıştığın probleme dair içgörüler üretmek için güçlü bir yöntem olarak öne çıktı. Bu kurs, machine learning ile zaman serisi verilerinin kesişiminde yer alır ve kalp atışı seslerini sınıflandırmak ve hisse senedi fiyatlarını tahmin etmek için özellik mühendisliği, spektrogramlar ve diğer ileri teknikleri kapsar.

Manipulating Time Series Data in Python

Visualizing Time Series Data in Python

Supervised Learning with scikit-learn

Bu kurs, zaman serisi verileri için özellik mühendisliği ve makine öğrenimine odaklanır.

Python ile Zaman Serisi Verileri için Machine Learning

Bu ders, zaman serisi verileri için özellik mühendisliği ve makine öğrenimine odaklanmaktadır. 

Makine Öğrenimi Bilimcisi Python'da

Zaman Serisi Python'da

Bir zaman serisini belirleme

Python ile Zaman Serisi Verileri için Machine Learning

Uygulamalı interaktif egzersiz