改善模型可用特徵的一種方式，是移除資料中的部分雜訊。在音訊資料中，常見作法是先讓資料變得較為「平滑」（smooth），再進行「整流」（rectify），如此一來，隨時間變化的總聲音能量會更容易分辨。你會在這個練習中完成這些步驟。
變數 audio 中已提供一個心跳聲的檔案。
audio
本練習屬於課程
試著完成這個範例程式碼，體驗一下這個練習。
# Plot the raw data first audio.____(figsize=(10, 5)) plt.show()
本章將介紹機器學習、時間序列資料的基礎，以及兩者交集的核心概念。
把時間序列納入你的機器學習流程，最簡單的方法就是把它們當作模型中的特徵使用。本章將介紹為了進行機器學習，常見的時間序列特徵萃取方式。
當前練習
如果你想從隨時間變化的資料中做預測，在模型的選擇與建構上需要特別考量。本章將說明在擬合模型前如何從資料取得洞見，以及在時間序列資料上進行預測建模的最佳實務。
一旦你建立了用於預測時間序列資料的模型，就需要判斷它的好壞。本章將介紹如何以模型產生預測，並將其與「測試」資料比對來進行驗證的基本方法。