Pular para o conteúdo principal

Curso

Machine Learning para dados de séries temporais em Python

AvançadoNível de habilidade

Atualizado 02/2026

Este curso se concentra na engenharia de recursos e no machine learning para dados de séries temporais.

Iniciar Curso Gratuitamente

PythonMachine Learning4 h13 vídeos53 Exercícios4,550 XP52,827Certificado de conclusão

Crie sua conta gratuita

ou

Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados serão armazenados nos EUA.

Preferido por alunos de milhares de empresas

Treinar 2 ou mais pessoas?

Experimentar DataCamp for Business

Descrição do curso

Dados de séries temporais estão em toda parte. Seja a oscilação do mercado de ações, dados de sensores registrando mudanças climáticas ou a atividade do cérebro, qualquer sinal que muda ao longo do tempo pode ser descrito como uma série temporal. Machine Learning surgiu como um método poderoso para aproveitar a complexidade dos dados e gerar previsões e insights sobre o problema que você quer resolver. Este curso é a interseção entre esses dois mundos — Machine Learning e dados de séries temporais — e aborda engenharia de atributos, espectrogramas e outras técnicas avançadas para classificar sons de batimentos cardíacos e prever preços de ações.

Pré-requisitos

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

Iniciar Capítulo

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

Iniciar Capítulo

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

Iniciar Capítulo

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

Iniciar Capítulo

Machine Learning para dados de séries temporais em Python

Curso
concluído

Obtenha um certificado de conclusão

Adicione esta credencial ao seu perfil do LinkedIn, currículo ou CV
Compartilhe nas redes sociais e em sua avaliação de desempenhoInscreva-se Agora

Faça como mais de 19 milhões de alunos e comece Machine Learning 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 serão armazenados nos EUA.

Desenvolva suas habilidades em dados com o app do DataCamp

Continue progredindo em qualquer lugar com nossos cursos para celular e desafios diários de programação de 5 minutos.