Aprendizado de máquina para dados de séries temporais em Python
"Este curso foca em engenharia de características e aprendizado de máquina para séries temporais."
Comece O Curso Gratuitamente4 horas13 vídeos53 exercícios
Crie sua conta gratuita
ou
Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.Treinar 2 ou mais pessoas?Experimente o DataCamp For Business
Amado por alunos de milhares de empresas
Descrição do Curso
Os dados de séries temporais são onipresentes. Sejam flutuações no mercado de ações, dados de sensores que registram mudanças climáticas ou atividade no cérebro, qualquer sinal que mude ao longo do tempo pode ser descrito como uma série temporal. O aprendizado de máquina surgiu como um método poderoso para aproveitar a complexidade dos dados a fim de gerar previsões e percepções sobre o problema que se está tentando resolver. Este curso é uma interseção entre esses dois mundos de aprendizado de máquina e dados de séries temporais, e abrange engenharia de recursos, espectogramas e outras técnicas avançadas para classificar sons de batimentos cardíacos e prever preços de ações.
Para Empresas
Treinar 2 ou mais pessoas?
Obtenha acesso à biblioteca completa do DataCamp, com relatórios, atribuições, projetos e muito mais centralizadosNas seguintes faixas
Cientista de aprendizado de máquina com Python
Ir para a trilhaSéries temporais com Python
Ir para a trilha- 1
Séries temporais e cartilha de aprendizado de máquina
GratuitoEste capítulo é uma introdução aos conceitos básicos de aprendizado de máquina, dados de séries temporais e a interseção entre os dois.
Tipos e aplicações de séries temporais50 xpIdentificação de uma série temporal50 xpPlotagem de uma série temporal (I)100 xpPlotagem de uma série temporal (II)100 xpNoções básicas de aprendizado de máquina50 xpAjuste de um modelo simples: classificação100 xpPrevisão usando um modelo de classificação100 xpAjuste de um modelo simples: regressão100 xpPrevisão usando um modelo de regressão100 xpAprendizado de máquina e dados de séries temporais50 xpInspeção dos dados de classificação100 xpInspeção dos dados de regressão100 xp - 2
Séries temporais como entradas para um modelo
A maneira mais fácil de incorporar séries temporais ao seu pipeline de aprendizado de máquina é usá-las como recursos em um modelo. Este capítulo aborda os recursos comuns que são extraídos das séries temporais para que você possa fazer aprendizado de máquina.
Classificação de uma série temporal50 xpMuitas repetições de sons100 xpInvariância no tempo100 xpCriar um modelo de classificação100 xpAprimoramento de recursos para classificação50 xpCálculo do envelope do som100 xpCálculo de recursos a partir do envelope100 xpRecursos derivados: O tempograma100 xpO espectrograma50 xpEspectrogramas de áudio de batimentos cardíacos100 xpCaracterísticas espectrais de engenharia100 xpCombinação de muitos recursos em um classificador100 xp - 3
Previsão de dados de séries temporais
Se você quiser prever padrões a partir de dados ao longo do tempo, há considerações especiais a serem feitas sobre como escolher e construir o modelo. Este capítulo aborda como obter insights sobre os dados antes de ajustar o modelo, bem como as práticas recomendadas no uso de modelagem preditiva para dados de séries temporais.
Previsão de dados ao longo do tempo50 xpApresentando o conjunto de dados100 xpAjuste de um modelo de regressão simples100 xpVisualização de valores previstos100 xpPrevisão avançada de séries temporais50 xpVisualização de dados confusos100 xpImputação de valores ausentes100 xpTransformação de dados brutos100 xpManuseio de valores discrepantes100 xpCriação de recursos ao longo do tempo50 xpEngenharia de vários recursos contínuos de uma só vez100 xpPercentis e funções parciais100 xpUsando informações de "data"100 xp - 4
Validação e inspeção de modelos de séries temporais
Depois de obter um modelo para prever dados de séries temporais, você precisa decidir se ele é um modelo bom ou ruim. Este capítulo aborda os fundamentos da geração de previsões com modelos para validá-los com dados de "teste".
Criando recursos do passado50 xpCriação de recursos com deslocamento de tempo100 xpCaso especial: Modelos auto-regressivos100 xpVisualize os coeficientes de regressão100 xpRegressão automática com uma série temporal mais suave100 xpValidação cruzada de dados de séries temporais50 xpValidação cruzada com embaralhamento100 xpValidação cruzada sem embaralhamento100 xpValidação cruzada baseada em tempo100 xpEstacionariedade e estabilidade50 xpEstacionariedade50 xpBootstrapping de um intervalo de confiança100 xpCálculo da variabilidade nos coeficientes do modelo100 xpVisualização da variabilidade da pontuação do modelo ao longo do tempo100 xpContabilização da não estacionariedade100 xpResumo50 xp
Para Empresas
Treinar 2 ou mais pessoas?
Obtenha acesso à biblioteca completa do DataCamp, com relatórios, atribuições, projetos e muito mais centralizadosNas seguintes faixas
Cientista de aprendizado de máquina com Python
Ir para a trilhaSéries temporais com Python
Ir para a trilhacolaboradores
Chris Holdgraf
Ver Mais
Fellow at the Berkeley Institute for Data Science
O que os outros alunos têm a dizer?
Junte-se a mais de 14 milhões de alunos e comece Aprendizado de máquina para dados de séries temporais em Python hoje mesmo!
Crie sua conta gratuita
ou
Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.