Weiter zum Inhalt

Startseite Python

Kurs

Maschinelles Lernen für Zeitreihendaten in Python

ExperteSchwierigkeitsgrad

Aktualisiert 02/2026

Dieser Kurs dreht sich um Feature Engineering und maschinelles Lernen für Zeitreihendaten.

Kurs kostenlos starten

PythonMachine Learning4 Std.13 Videos53 Übungen4,550 XP52,805Leistungsnachweis

Kostenloses Konto erstellen

oder

Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.

Beliebt bei Lernenden in Tausenden Unternehmen

Training für 2 oder mehr Personen?

Probiere es mit DataCamp for Business

Kursbeschreibung

Zeitreihendaten sind allgegenwärtig. Ob Börsenschwankungen, Sensordaten zum Klimawandel oder Aktivität im Gehirn – jedes Signal, das sich über die Zeit verändert, lässt sich als Zeitreihe beschreiben. Maschinelles Lernen hat sich als leistungsstarke Methode etabliert, um Komplexität in Daten zu nutzen und daraus Vorhersagen und Erkenntnisse für das jeweilige Problem zu gewinnen. Dieser Kurs bildet die Schnittstelle zwischen diesen beiden Welten – maschinelles Lernen und Zeitreihendaten – und behandelt Feature Engineering, Spektrogramme und weitere fortgeschrittene Techniken, um Herzschläge zu klassifizieren und Aktienkurse vorherzusagen.

Voraussetzungen

Manipulating Time Series Data in Python Visualizing Time Series Data in Python Supervised Learning with scikit-learn

1

Time Series and Machine Learning Primer

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

Timeseries kinds and applications

Identifying a time series

Plotting a time series (I)

Plotting a time series (II)

Machine learning basics

Fitting a simple model: classification

Predicting using a classification model

Fitting a simple model: regression

Predicting using a regression model

Machine learning and time series data

Inspecting the classification data

Inspecting the regression data

Kapitel starten

2

Time Series as Inputs to a Model

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

Kapitel starten

3

Predicting Time Series Data

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

Kapitel starten

4

Validating and Inspecting Time Series Models

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

Kapitel starten

Maschinelles Lernen für Zeitreihendaten in Python

Kurs
abgeschlossen

Leistungsnachweis verdienen

Füge diesen Fähigkeitsnachweis zu Deinem LinkedIn-Profil, Anschreiben oder Lebenslauf hinzu
Teile es auf Social Media und in Deiner LeistungsbeurteilungJetzt anmelden

Schließe dich 19 Millionen Lernenden an und starte Maschinelles Lernen für Zeitreihendaten in Python heute!

Kostenloses Konto erstellen

oder

Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.

DataCamp gibt es auch für Mobilgeräte

Mit unseren Kursen für Mobilgeräte und täglichen Programmier-Challenges erweiterst du deine Datenkompetenz von unterwegs.