本章将介绍机器学习、时间序列数据以及二者交汇处的基础知识。

时间序列的类型与应用

识别时间序列

绘制时间序列（I）

绘制时间序列（II）

机器学习基础

拟合一个简单模型：分类

使用分类模型进行预测

拟合一个简单模型：回归

使用回归模型进行预测

机器学习与时间序列数据

检查分类数据

查看回归数据

时间序列与机器学习入门

将时间序列纳入机器学习流程的最简单方式，是把它们作为模型中的特征使用。本章将讲解在时间序列机器学习中常用的特征提取方法。

对时间序列进行分类

声音的多次重复

时间不变性

构建一个分类模型

改进用于分类的特征

计算声音的包络

从包络计算特征

导数特征：Tempogram（速度图）

The spectrogram

心跳音频的频谱图

构建谱特征

在分类器中组合多种特征

将时间序列作为模型输入

若要从随时间变化的数据中进行预测，模型的选择与构建需要特别考虑。本章将介绍在拟合模型之前如何洞察数据，以及在时间序列数据上进行预测建模的最佳实践。

随时间进行数据预测

数据集简介

拟合一个简单的回归模型

可视化预测值

高级时间序列预测

可视化杂乱数据

填补缺失值

转换原始数据

处理异常值

随时间创建特征

一次性构建多个滚动特征

百分位数与偏函数

使用 "date" 信息

预测时间序列数据

当您已经拥有一个用于预测时间序列数据的模型时，接下来要判断它的好坏。本章将介绍如何用模型生成预测，并将其与"测试"数据进行对比验证的基本方法。

基于历史创建特征

创建时间偏移特征

特殊情况：自回归模型

可视化回归系数

更平滑时间序列的自回归

时间序列数据的交叉验证

带洗牌的交叉验证

不打乱顺序的交叉验证

基于时间的交叉验证

平稳性与稳定性

平稳性

自助法构建置信区间

计算模型系数的变动性

可视化模型评分随时间的波动

处理非平稳性

总结

验证与检查时间序列模型

Prices

Audio

时间序列数据无处不在。无论是股市波动、记录气候变化的传感器数据，还是大脑活动，只要是随时间变化的信号，都可以用时间序列来描述。机器学习能够捕捉数据中的复杂性，从而进行预测并为待解决的问题提供洞见。本课程将机器学习与时间序列这两个领域结合，涵盖特征工程、声谱图等高级技术，用于对心跳声音进行分类并预测股票价格。

Manipulating Time Series Data in Python

Visualizing Time Series Data in Python

Supervised Learning with scikit-learn

本课程专注于时间序列数据的特征工程和机器学习。

Python 中的时间序列机器学习

本课程聚焦时间序列数据的特征工程和机器学习。 

机器学习科学家 在 Python 中

时间序列 在 Python 中

Fellow, Berkeley Institute for Data Science

使用 scikit-learn 做交叉验证

交叉验证类型：KFold

可视化模型预测

可视化 KFold 的交叉验证行为

关于打乱数据的说明

可视化打乱的交叉验证行为

使用时间序列交叉验证迭代器

可视化时间序列交叉验证迭代器

可视化 TimeSeriesSplit 迭代器

在 scikit-learn 中自定义评分函数

为 scikit-learn 编写自定义相关系数函数

Passons à la pratique !

验证与检查时间序列模型 - 时间序列数据的交叉验证

时间序列数据的交叉验证

Create Your Free Account