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 Learning

4 h

13 vídeos

53 Exercícios

4,550 XP

53,311

Declaração de realização

Preferido por alunos de milhares de empresas

Treinando uma equipe?

Experimente para Empresas

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

Introdução a séries temporais e Machine Learning

Este capítulo apresenta o básico de Machine Learning, dados de séries temporais e onde esses dois temas se encontram.

Tipos de séries temporais e aplicações

Identificando uma série temporal

Plotando uma série temporal (I)

Plotando uma série temporal (II)

Noções básicas de Machine Learning

Ajustando um modelo simples: classificação

Prevendo com um modelo de classificação

Ajustando um modelo simples: regressão

Fazendo previsões com um modelo de regressão

Machine learning e dados de séries temporais

Inspecionando os dados de classificação

Inspecionando os dados de regressão

Iniciar capítulo

2

Séries temporais como entrada do modelo

A maneira mais simples de incorporar séries temporais ao seu pipeline de Machine Learning é usá-las como atributos em um modelo. Este capítulo aborda atributos comuns extraídos de séries temporais para fazer Machine Learning.

Classificando uma série temporal

Muitas repetições de sons

Invariância no tempo

Crie um modelo de classificação

Aprimorando os recursos para classificação

Calculating the envelope of sound

Calculando atributos a partir do envelope

Recursos derivativos: o tempograma

O espectrograma

Espectrogramas de áudio de batimentos cardíacos

Engenharia de features espectrais

Combinando muitos recursos em um classificador

Iniciar capítulo

3

Prevendo dados de séries temporais

Se você quer prever padrões em dados ao longo do tempo, há cuidados especiais na escolha e construção do modelo. Este capítulo mostra como extrair insights dos dados antes de ajustar o modelo, além de boas práticas no uso de modelos preditivos para séries temporais.

Prevendo dados ao longo do tempo

Apresentando o conjunto de dados

Ajustando um modelo de regressão simples

Visualizando valores previstos

Previsão avançada de séries temporais

Visualizando dados bagunçados

Imputando valores ausentes

Transformando dados brutos

Tratando outliers

Criando features ao longo do tempo

Criando várias features em janela deslizante de uma vez

Percentis e funções parciais

Usando informações de "data"

Iniciar capítulo

4

Validação e inspeção de modelos para séries temporais

Depois de ter um modelo para prever dados de séries temporais, você precisa decidir se ele é bom ou ruim. Este capítulo cobre o básico de gerar previsões com modelos para validá-los em dados de “teste”.

Criando features a partir do passado

Criando variáveis defasadas no tempo

Caso especial: modelos autorregressivos

Visualizar coeficientes de regressão

Auto-regressão com uma série temporal mais suave

Validação cruzada de dados de séries temporais

Validação cruzada com embaralhamento

Validação cruzada sem embaralhamento

Validação cruzada baseada em tempo

Estacionariedade e estabilidade

Estacionariedade

Bootstrap de um intervalo de confiança

Calculando a variabilidade nos coeficientes do modelo

Visualizando a variabilidade da pontuação do modelo ao longo do tempo

Considerando a não estacionariedade

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!

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.